基于命名實體識別的醫(yī)療文本零水印方案*

龔禮春, 姚 曄, 唐觀根, 吳國華

1. 杭州電子科技大學(xué) 網(wǎng)絡(luò)空間安全學(xué)院, 杭州310018

2. 杭州電子科技大學(xué) 計算機(jī)學(xué)院, 杭州310018

1 引言

隨著醫(yī)療技術(shù)的進(jìn)步與人們生活水平的提高, 人們越來越重視自己的身體狀況. 無論是患普通感冒的病人, 或者是身染重癥的患者, 大多數(shù)人都希望通過醫(yī)生的診斷與治療, 使自己的身體能夠早日康復(fù). 患者對醫(yī)院/醫(yī)生能夠治療其疾病寄予了較高期望. 然而, 患者抱有的期望越高, 導(dǎo)致醫(yī)患之間產(chǎn)生矛盾時, 兩者的關(guān)系越發(fā)緊張.

如何有效解決醫(yī)療糾紛問題、緩解緊張的醫(yī)患關(guān)系是始終值得被關(guān)注地話題. 醫(yī)療文本記錄著醫(yī)生為患者治療的全部過程. 文本內(nèi)容中包含不少與醫(yī)療術(shù)語相關(guān)的名詞. 這些名詞在醫(yī)療文本中扮演極其重要的角色, 其完整與否能夠成為解決醫(yī)患糾紛問題的重要參考與證明. 因此, 醫(yī)療文本的內(nèi)容安全研究具有重要的理論意義與實際的應(yīng)用價值.

零水印方法不修改數(shù)字載體內(nèi)容, 僅從載體中提取特征來構(gòu)造水印[1], 因此其具有極好的隱蔽性. 應(yīng)用零水印方法, 將醫(yī)療文本中相關(guān)術(shù)語作為零水印構(gòu)造的特征, 能夠有效保護(hù)醫(yī)療文本重要內(nèi)容的完整性.然而, 已有的分詞工具很難準(zhǔn)確的切分醫(yī)療文本中的相關(guān)醫(yī)療術(shù)語. 例如: 使用NLPIR-ICTCLAS 平臺對“右下支氣管” 這一完整醫(yī)療術(shù)語進(jìn)行分詞, 會被拆分成“右/下支/氣管” 該種形式, 使得醫(yī)療文本的重要特征不能被充分應(yīng)用于文本的安全性保護(hù). 針對該問題, 本文提出了一種基于命名實體識別的醫(yī)療文本零水印方案. 借助自然語言處理領(lǐng)域中的命名實體識別技術(shù), 提取醫(yī)療文本中存在的醫(yī)療實體, 設(shè)計零水印算法. 利用實體特征生成零水印信息, 將水印存入被授權(quán)的第三方機(jī)構(gòu). 當(dāng)發(fā)生醫(yī)患糾紛時, 調(diào)取出第三方存儲的水印作為醫(yī)療文本重要內(nèi)容完整性與安全性的依據(jù), 從而為醫(yī)患問題的解決提供有效的參考與證明.

2 相關(guān)工作

中文文本水印技術(shù)的實現(xiàn)方式可以分為兩類. (1) 嵌入式水印, 通過修改載體文本信息嵌入水印. 已有的方法包括: 拆分漢字的偏旁部件嵌入水印信息[2]; 利用不可見字符替換文本中空格來隱藏信息[3]; 使用文件格式隱藏信息[4]; 或者對同義詞進(jìn)行編碼, 通過同義詞替換嵌入信息[5]. (2) 零水印技術(shù), 不修改載體文本信息, 僅通過提取載體文本特征來構(gòu)造水印. 這兩類水印技術(shù)的差異主要表現(xiàn)在以下三個方面. ①不可視性: 零水印技術(shù)在嵌入水印過程中不修改載體信息, 使得嵌入水印后的文本與原文本視覺上表現(xiàn)一致,因而具有極高的不可視性. ②水印穩(wěn)健性: 嵌入式水印要求較高地穩(wěn)健性, 當(dāng)載體受到攻擊后, 水印信息應(yīng)盡可能被完整提取; 而零水印要求表現(xiàn)較強(qiáng)的脆弱性, 以抵抗篡改攻擊[6]. ③水印容量: 由于嵌入式水印要考慮隱蔽性與水印容量之間的矛盾, 導(dǎo)致水印嵌入容量較低; 零水印能較好的避開該問題, 進(jìn)而提高了水印嵌入容量.

零水印技術(shù)被廣泛應(yīng)用于圖像、視頻、音頻領(lǐng)域, 然而以文本為載體的零水印技術(shù)應(yīng)用相對較少[7,8].目前, 國內(nèi)學(xué)者針對中文文本的不同特征, 提出一些較為實用的中文文本零水印算法. 2005 年, 程玉柱等人分析單個漢字特征, 將漢字結(jié)構(gòu)抽象成數(shù)學(xué)表達(dá)式構(gòu)造零水印[9]. 2009 年, 斯琴等人基于詞語特征, 使用詞典分詞方法將詞頻閾值范圍內(nèi)的分詞序列作為文本零水印的生成特征[10]. 該算法使用詞典分詞的方法效率較低. 2010 年, Meng 等人融合信息熵的思想, 根據(jù)文本詞頻計算句子的熵, 將熵較大的句子作為文本的重要句子, 提取句子序號作為零水印信息[11]. 然而, 算法并沒有考慮停用詞對句子熵的影響, 有時提取的特征不具代表性. 2011 年舒娟娟等人基于漢語詞性特征, 利用中科院分詞系統(tǒng)對文本分詞與詞性標(biāo)注, 篩選出中頻詞性詞語作為文本特征生成零水印[12]. 該算法使用詞性特征, 適用于普通文本. 2013 年,Liu 等人調(diào)用依存句法分析器提取中文文本的句法語義特征, 并借助同義詞詞林對特征進(jìn)行編碼, 生成零水印信息[13]. 劉杰等人針對漢字筆畫統(tǒng)計特征, 提取文本中使用頻率較高的漢字筆畫數(shù)作為零水印構(gòu)造特征序列[14]. 2016 年, Zhu 等人根據(jù)漢語拼音聲韻母組合特點(diǎn), 以音數(shù)值為零水印構(gòu)造依據(jù), 提出基于漢語拼音的文本零水印方法[15]. 算法雖具有很好的創(chuàng)新性, 但是實現(xiàn)相對復(fù)雜. 同年, 周新民等人為了解決在網(wǎng)絡(luò)中傳遞的文本內(nèi)容真實可靠的問題, 提出一種基于漢字結(jié)構(gòu)知識的文本認(rèn)證零水印算法[16]. 與此同時, Wen 等人將零水印技術(shù)應(yīng)用到xml 格式的文本上, 利用xml 文件中函數(shù)間依賴性特征產(chǎn)生零水印信息[17]. 2017 年, Meng 等人從多特征的角度考慮, 提出一種針對散文文體的零水印方案[18]. 該方案使用散文文本的語義與統(tǒng)計特征(詞性、詞頻、詞語權(quán)重等) 構(gòu)造零水印, 具有較好的應(yīng)用價值.

由此可見, 當(dāng)前文本零水印算法絕大多數(shù)被應(yīng)用于普通文本, 使用普通文本中的通用特征構(gòu)造水印,忽略了文本應(yīng)用領(lǐng)域的多樣性. 醫(yī)療文本中擁有許多專業(yè)的術(shù)語, 醫(yī)療專業(yè)術(shù)語特征與普通文本具有較大的差異. 普通文本中的特征提取方法并不適用于醫(yī)療文本. 本文在前人對文本零水印算法研究與應(yīng)用的基礎(chǔ)上, 針對醫(yī)療文本的特點(diǎn), 使用命名實體識別技術(shù)[19]提取醫(yī)療文本實體; 將實體特征作為零水印構(gòu)造依據(jù), 以保護(hù)醫(yī)療文本內(nèi)容安全. 本文主要貢獻(xiàn)包括: (1) 將零水印技術(shù)用于中文醫(yī)療文本, 擴(kuò)展了文本零水印應(yīng)用領(lǐng)域. (2) 引入命名實體識別技術(shù)提取醫(yī)療文本特征, 解決了一般分詞工具對醫(yī)療文本術(shù)語切分準(zhǔn)確率較低的問題, 能夠提取出醫(yī)療文本中重要且具有代表性的特征.

3 方案

本文方案利用命名實體識別技術(shù)抽取醫(yī)療文本實體, 根據(jù)獲得的實體特征, 設(shè)計零水印生成算法、并給出零水印驗證流程, 保護(hù)醫(yī)療文本重要內(nèi)容的安全, 為醫(yī)患問題解決提供參考與證明. 方案的整體流程如圖1 所示.

圖1 整體流程圖Figure 1 Overall process diagram

由圖1 可見, 零水印產(chǎn)生主要由三部分組成: (1) 預(yù)處理; (2) 特征提取; (3) 水印生成. 整個方案涉及到的符號與含義如表1 所示.

表1 方案中的符號含義Table 1 Symbol definition in the scheme

3.1 預(yù)處理

預(yù)處理階段的主要任務(wù)是將待保護(hù)的醫(yī)療文本T, 輸入醫(yī)療文本命名實體識別模型M 中, 輸出該醫(yī)療文本的實體集D. 醫(yī)療文本命名實體識別模型使用深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練, 如圖2 所示.

圖2 訓(xùn)練模型圖Figure 2 Training model

本文醫(yī)療文本命名實體識別模型使用雙向長短期記憶網(wǎng)絡(luò)(BiLSTM) 與條件隨機(jī)場(CRF) 訓(xùn)練生成[20]. 命名實體識別技術(shù)是有監(jiān)督的學(xué)習(xí), 在訓(xùn)練模型前, 采用BIOES 標(biāo)注法對醫(yī)療文本實體進(jìn)行標(biāo)注,將實體分為五種類型. 該五種類型包括: 身體部位(body)、癥狀與體征(sign)、檢查與檢驗(check)、疾病與診斷(disease)、治療藥物(treatment), 基本可以對囊括醫(yī)療領(lǐng)域內(nèi)的專業(yè)術(shù)語. 模型M 的訓(xùn)練過程如下.

(a) 順序取出醫(yī)療文本字符, 賦予每個字符對應(yīng)偏旁部件與詞性標(biāo)注后, 輸入到嵌入層中. 嵌入層將字符轉(zhuǎn)化為向量, 其中, 字符與偏旁部件使用Word2Vec 模型與預(yù)訓(xùn)練好的偏旁部件模型向量化,詞性標(biāo)注采用隨機(jī)向量化. 將字符向量偏旁部件向量, 詞性向量, 通過連接層處理后組成單行向量et. 字符特征構(gòu)成如表2 所示. 該表中“糖尿病” 屬于疾病與診斷一類, 其首字符標(biāo)簽為B-disease, 中間字符標(biāo)簽為I-disease, 尾字符標(biāo)簽為E-disease, 非實體字符被標(biāo)記為O.

表2 字符特征Table 2 Character feature

(b) 將et輸入到BiLSTM 層中捕獲特征, LSTM 由遺忘門、記憶門、輸出門三個處理單元構(gòu)成. 其中, 遺忘門丟棄無用信息; 記憶門記住重要信息; 輸出門輸出隱藏狀態(tài). 其基本原理如公式(1)所示.

公式(1)中, ft代表遺忘門值, mt代表記憶門值,代表臨時細(xì)胞狀態(tài), ot代表輸出門值, · 表示向量點(diǎn)乘, ⊙表示向量連接, 最終輸出ht. BiLSTM 由前向與后向兩個LSTM 組成, 因此每個字符輸出前向隱藏狀態(tài)() 與后向隱藏狀態(tài)(). 將兩個隱藏狀態(tài)在其相應(yīng)位置上連接, 形成單個字符完整隱藏狀態(tài)

公式(2)中, f 表示相似度計算函數(shù), i 表示句子除當(dāng)前字符外的其他字符, i ∈[1,N -1], αi表示兩個隱藏狀態(tài)的權(quán)重,表示字符注意力向量.

(d) 為了提高命名實體識別的準(zhǔn)確率, 用CRF 層學(xué)習(xí)標(biāo)簽轉(zhuǎn)移概率矩陣A. 最終通過標(biāo)簽轉(zhuǎn)移概率矩陣, 計算輸入序列對應(yīng)的最優(yōu)標(biāo)簽輸出序列. 其計算如公式(3)所示.

公式(3)中, Pi,yi表示第i 個輸入被標(biāo)記為標(biāo)簽yi的概率, score(x,y) 計算標(biāo)簽序列y 的評分, Y

醫(yī)療文本訓(xùn)練數(shù)據(jù)經(jīng)過上述過程不斷迭代, 將評分最高的模型保存起來, 留作后續(xù)待保護(hù)療文本實體預(yù)測之用. 將待保護(hù)醫(yī)療文本中的字符使用同樣方式生成字符向量, 順序輸入至醫(yī)療命名實體識別模型預(yù)測, 生成該醫(yī)療文本的標(biāo)簽序列(Tag_sequence).

3.2 特征提取

特征提取階段的主要工作是從實體識別模型獲得的標(biāo)簽序列(Tag_sequence) 中提取特征, 對特征進(jìn)行編碼, 將編碼后的特征分類與融合. 醫(yī)療文本實體重要特征包括: 實體名稱、實體順序、實體長度. 特征提取部分算法流程, 如算法1 所示.

算法1 特征提取算法Input: T, Tag_sequence, Di Output: DF 1 Entity_order = 0;2 for each Di ∈T do 3 Entity_name = getentityname (T, Tag_sequence);4 Entity_order += 1;5 B_index = beginchar (Di, T);6 E_index = endchar (Di, T);7 Entity_length = E_index - B_index + 1;8 Entity_feature = featurecode (Entity_name, Entity_order, Entity_length);9 Entity_tag = getentitytag (Di, Tag_sequence);10 if judge_type(Entity_tag) equals 1 then 11 list_1.save(Entity_feature);12 else if judge_type(Entity_tag) equals 2 then 13 list_2.save(Entity_feature);14 else if judge_type(Entity_tag) equals 3 then 15 list_3.save(Entity_feature);16 else if judge_type(Entity_tag) equals 4 then 17 list_4.save(Entity_feature);18 else if judge_type(Entity_tag) equals 5 then 19 list_5.save(Entity_feature);20 end 21 end 22 DF = merge (list_1, list_2, list_3, list_4, list_5);23 Return DF.

算法1 中, 對于醫(yī)療文本中任意一個實體Di, 首先, 依據(jù)文本T 中字符與標(biāo)簽序列(Tag_sequence)之間的順序?qū)?yīng)關(guān)系, 獲取該實體的名稱(Entity_name). 按照實體在醫(yī)療文本中出現(xiàn)的先后順序給每個實體分配一個序號(Entity_order), 序號是實體的重要特征, 能有效驗證醫(yī)療文本內(nèi)句子是否發(fā)生了移位.然后, 執(zhí)行算法第5 行和第6 行, 分別獲得某一實體在文本中的首字符位置索引和尾字符位置索引, 使用實體首尾位置索引值計算實體的長度(Entity_length), 實體長度信息能增強(qiáng)零水印抗非等長實體替換攻擊的能力. 執(zhí)行算法第8 行將實體的三個特征編碼成二進(jìn)制形式. 其中, 實體名稱先轉(zhuǎn)換成Unicode 編碼形式, 進(jìn)而轉(zhuǎn)為二進(jìn)制編碼. 接著, 獲取實體的標(biāo)簽信息(Entity_tag), 根據(jù)標(biāo)簽-類型映射表3 查找實體的類型, 通過判斷實體類型對應(yīng)的映射值, 對不同類型的實體特征編碼進(jìn)行分類, 并保存于對應(yīng)list_i 中,如算法第9 到20 行所示. 最后, 融合所有類型的特征, 返回該醫(yī)療文本實體特征DF, 如算法第22 和第23 行所示.

3.3 水印生成

水印生成階段的主要任務(wù)是將一篇醫(yī)療文本的特征DF, 輸入到零水印生成算法中, 計算該醫(yī)療文本的水印信息, 將時間戳和醫(yī)患的身份信息附加到水印的尾部, 一起發(fā)送到第三方認(rèn)證機(jī)構(gòu)注冊與存儲. 為了保證生成的水印信息可靠與安全, 在零水印生成算法中使用了Logistic 混沌加密方法; 為了提高水印驗證時的效率, 使用MD5 算法能有效將水印信息映射為32 字節(jié)長度. 水印的生成過程, 如算法2 所示.

表3 標(biāo)簽-類型映射Table 3 Label-type mapping

算法2 水印生成算法Input: DF, μ, K0, thresh Output: w′1 for n = 0 to len(DF) do 4 Kn+1 = 0;2 Kn+1 = μ×Kn ×(1-Kn);3 if Kn+1 ＜thresh then 5 L = Kn+1 ⊕DFn;chaos.save(L);7 else 6 8 Kn+1 = 1;L = Kn+1 ⊕DFn;10 chaos.save(L);11 end 12 end 13 w′ = MD5(chaos);14 Return w′.9

算法2 中, μ 表示Logistic 混沌函數(shù)參數(shù), 當(dāng)其取值位于3.569 9456 ≤μ ≤4 該范圍內(nèi), 獲得序列是混亂、無序的, K0表示混沌函數(shù)初始值, 取值區(qū)間為[0,1]. 混沌方程的迭代次數(shù)由DF的長度決定, 假設(shè)長度為n, 混沌方程迭代后將生成一個長度為n 的序列, 且該序列中的每個值均0 ＜Kn+1＜1. 通過預(yù)先設(shè)定的閾值thresh, 將混沌序列二值化處理. 對于特征序列DF中的每一個特征值DFn, 將該值與混沌序列對應(yīng)位置上的值進(jìn)行異或運(yùn)算生成值L, 其中⊕代表異或運(yùn)算符, 混沌序列對特征序列的加密結(jié)果保存于chaos 中. 最后, 使用MD5 算法生成該醫(yī)療文本的水印信息w′. 為了確保水印的唯一性, 將當(dāng)前時間信息和醫(yī)患的身份信息附加到w′尾部, 將捆綁的信息發(fā)送放到第三方認(rèn)證機(jī)構(gòu)注冊與保存. 為了保證水印安全性, 參數(shù)μ、K0、thresh 可視為加密密鑰, 對外嚴(yán)格保密.

3.4 水印驗證

水印驗證過程的主要工作是將醫(yī)患雙方持有的醫(yī)療文本, 通過同樣的預(yù)處理、特征提取、水印生成算法, 獲取各自醫(yī)療文本的水印信息. 然后, 第三方認(rèn)證機(jī)構(gòu)根據(jù)醫(yī)患的時間戳和身份信息驗證并調(diào)取出注冊的水印信息, 去除附加在水印尾部的信息后, 分別與醫(yī)患生成的水印信息對比, 從而證明醫(yī)患手中持有的醫(yī)療文本重要內(nèi)容是否完整. 零水印驗證過程如圖3 所示.

普通文本的版權(quán)認(rèn)證過程, 大多數(shù)是計算文本持有者生成的水印信息與第三方保存水印信息之間的相似度, 根據(jù)相似度大小從而判斷版權(quán)的歸屬者. 然而, 醫(yī)療文本內(nèi)記錄著醫(yī)生為患者治療的全部過程, 內(nèi)容中的任何實體被篡改都會關(guān)系到醫(yī)患雙方的利益. 醫(yī)療文本的實體必須高度完整, 即使發(fā)生細(xì)微的修改最終生成的水印與第三方保存的水印也不同. 因此, 本文引入MD5 算法不僅是為了提高第三方機(jī)構(gòu)對水印管理和驗證的效率, 同時保證生成水印的唯一性, 增強(qiáng)了零水印的脆弱性. 在圖3 中, 水印對比只有兩種結(jié)果: 完全相同或不相同. 最終用水印信息完全相同的醫(yī)療文本作為解決醫(yī)患糾紛問題的證明與參考, 保護(hù)受害者的權(quán)益.

圖3 水印驗證Figure 3 Watermark verification

4 實驗結(jié)果

本章節(jié)主要對方案的可行性進(jìn)行實驗分析, 實驗的內(nèi)容主要包括: (1) 模型的性能評估(2) 方案抗攻擊能力. 實驗環(huán)境: Window10 操作系統(tǒng), Anaconda 環(huán)境, python3 開發(fā)語言, pytorch 框架等一些庫. 實驗數(shù)據(jù)使用CCKS-2017 數(shù)據(jù)集[20].

4.1 模型的性能評估

模型的性能一般使用準(zhǔn)確率(precision)、召回率(recall)、F-score 三個指標(biāo)進(jìn)行評估. 其中,precision表示預(yù)測出來的實體中的確屬于醫(yī)療實體的占比; recall 表示醫(yī)療文本中的實體被正確預(yù)測出來的占比;F分?jǐn)?shù)是準(zhǔn)確率與召回率的調(diào)和平均值, 計算公式如(4)所示. 本文醫(yī)療文本命名實體識別模型的訓(xùn)練使用CCKS-2017 數(shù)據(jù)集, 該數(shù)據(jù)集中一共包含病史特點(diǎn)、出院情況、一般項目、診療經(jīng)過四個文件夾, 每個文件夾下有300 個標(biāo)注的醫(yī)療文本, 共1200 個醫(yī)療文本數(shù)據(jù). 此外, 該數(shù)據(jù)集還包含400 個測試醫(yī)療文本數(shù)據(jù). 將1200 條文本數(shù)據(jù)隨機(jī)進(jìn)行劃分, 其中80% 為訓(xùn)練數(shù)據(jù), 20% 為驗證數(shù)據(jù), 具體訓(xùn)練方法與流程已在預(yù)處理中詳細(xì)介紹.

在經(jīng)過長時間迭代后, 模型最終達(dá)到收斂, 在第30 個epoch 時, 模型的準(zhǔn)確率達(dá)到93.15%, 召回率為93.54%, F-score 為93.32%, 并且訓(xùn)練過程中最高F-score 達(dá)到94.43%. 圖4 是測試數(shù)據(jù)中一個醫(yī)療文本經(jīng)模型預(yù)測輸出的結(jié)果.

圖4 模型預(yù)測結(jié)果Figure 4 Prediction results of the model

實驗結(jié)果表明, 若能對訓(xùn)練醫(yī)療文本中實體進(jìn)行正確的標(biāo)注, 實體識別模型的效果會有顯著提升, 并且能夠?qū)嶓w中包含的數(shù)字準(zhǔn)確識別出來. 由圖4 可見, 針對一般分詞工具無法準(zhǔn)確劃分的較長醫(yī)療術(shù)語,例如:“腰部軟組織損傷”, “神經(jīng)系統(tǒng)查體”, “腰椎正側(cè)位片”, “血壓: 120/80 mmHg” 等, 命名實體識別模型具有較佳的預(yù)測效果。醫(yī)療實體名稱是醫(yī)療文本特征的一部分, 在識別出實體之后, 還需獲取實體順序、長度特征、實體分類特征, 進(jìn)一步組成一個文本的完整特征. 圖5 展示了該醫(yī)療文本的全部特征.

圖5 實體特征Figure 5 Entity characteristics

由圖5 可見, 醫(yī)療文本中的任何一個實體可用四維特征表示. 其中, 前3 維是用構(gòu)造零水印的重要特征, 按順序分別為實體名稱、實體序號、實體長度. 最后一維是實體的類別映射值, 用于對實體特征進(jìn)行分類.

4.2 水印抗攻擊能力

為了驗證方案的可行性, 本文以400 篇測試醫(yī)療文本作為實驗對象. 分別對醫(yī)療文本的格式與內(nèi)容進(jìn)行攻擊, 以驗證文本被攻擊后生成的水印是否與原文本一致. 對文本的格式攻擊實驗結(jié)果如表4 所示.

表4 文本格式攻擊結(jié)果Table 4 Format attack result of text

由表4 可見, 對文本進(jìn)行常見的格式攻擊, 被攻擊后文本生成的水印與原文本完全一致. 根據(jù)水印生成算法可知, 為每篇醫(yī)療文本生成水印, 使用的是醫(yī)療文本的實體特征. 然而, 實體特征屬于文本內(nèi)容的一部分. 因此, 對文本進(jìn)行格式攻擊, 水印依然與原文本保持一致.

本方案的主要目的是對醫(yī)療文本中的重要內(nèi)容進(jìn)行保護(hù), 從而期待為醫(yī)患問題的解決提供重要依據(jù).因此, 為了能夠驗證文本實體內(nèi)容被篡改, 經(jīng)過算法生成的水印是否與原文本一致. 實驗使用圖4 中的文本作為原始文本, 該醫(yī)療文本的原始水印信息為“e535ddfd856f44a56d94367daae62770”, 將該水印信息存入第三方認(rèn)證機(jī)構(gòu). 然后, 對該文本實體內(nèi)容分別采取添加、刪除、替換、及句子移位攻擊, 以觀察攻擊后對水印產(chǎn)生的影響. 其中, 實體添加攻擊如圖6 所示.

圖6 添加實體攻擊Figure 6 Adding entity attack

如圖6, 分別在文本的兩處添加了癥狀與體征相關(guān)的實體, 添加的部分實體內(nèi)容增強(qiáng)患者未治療前的嚴(yán)重程度, 突出治療后的效果. 然而, 該文本生成水印信息為“a7f238c9645f922e525b859d59fdb9b5”, 與第三方存儲的原始文本水印信息不同. 實體刪除攻擊如圖7 所示.

實驗過程刪除了包括檢查與檢驗以及身體部位在內(nèi)的兩處實體, 最終經(jīng)算法輸出的水印信息為“1c0dcaa454cace6289d2ec44a2f0c7e6”, 與注冊水印信息不同. 實體替換攻擊如圖8 所示.

圖7 刪除實體攻擊Figure 7 Deleting entity attack

圖8 替換實體攻擊Figure 8 Replacing entity attack

在一定程度上, 實體替換攻擊能夠改變原文本傳達(dá)的意思。然而, 被攻擊過后的文本生成水印信息為“592047761b321c392e6dd9ab70eac392”, 與第三方水印信息比較, 依舊可以證明該文本被篡改. 句子移位攻擊如圖9 所示.

圖9 句子移位攻擊Figure 9 Moving sentence’ position attack

雖然句子位置移動并不會改變一篇醫(yī)療文本實體的數(shù)量, 但是在生成的實體特征時, 為每個實體分配唯一一個序號. 該序號能有效對抗因句子移動導(dǎo)致實體順序改變的攻擊, 使得算法最終生成的水印信息為“97c8293a975d8923409799f6bb600c25” 與原文本水印信息不一致.

5 總結(jié)

本文針對醫(yī)療文本內(nèi)容安全問題, 提出一種基于命名實體識別的醫(yī)療文本零水印方案. 在提出的方案中, 引入命名實體識別技術(shù), 解決了一般分詞工具無法準(zhǔn)確切分醫(yī)療文本專業(yè)術(shù)語問題. 設(shè)計實體特征獲取算法、水印生成算法、并給出水印驗證方法, 實現(xiàn)了醫(yī)療文本重要內(nèi)容的完整性認(rèn)證與保護(hù). 最終, 通過對命名實體識別模型的評估實驗, 以及文本格式和實體的添加、刪除、替換、句子移位攻擊實驗, 表明了本方案具有良好的可行性.