NLP在中醫(yī)醫(yī)案癥狀信息自動(dòng)化抽取中的應(yīng)用研究

屈丹丹，楊 濤，胡孔法

（南京中醫(yī)藥大學(xué)人工智能與信息技術(shù)學(xué)院，江蘇南京 210023）

0 引言

中醫(yī)醫(yī)案是中醫(yī)臨床診斷、治療的實(shí)錄，其保存了大量疾病診療一手資料，是醫(yī)家臨床經(jīng)驗(yàn)和辨治特點(diǎn)的集中反映，已成為中醫(yī)學(xué)術(shù)研究和名老中醫(yī)經(jīng)驗(yàn)及學(xué)術(shù)思想傳承的重要資源［1］。因此，充分挖掘與利用醫(yī)案信息、提煉名老中醫(yī)診療經(jīng)驗(yàn)，將會(huì)給人們的健康帶來福祉。然而，中醫(yī)醫(yī)案在記錄過程中存在主觀因素過多、隨意性強(qiáng)、結(jié)構(gòu)復(fù)雜等問題。大量醫(yī)案信息不能直接指導(dǎo)臨床實(shí)踐，而是需要提煉、總結(jié)與學(xué)習(xí)，若采用傳統(tǒng)人工方式進(jìn)行整理與總結(jié)，耗時(shí)耗力。

近年來，隨著科學(xué)技術(shù)的迅猛發(fā)展，將人類語言轉(zhuǎn)化為機(jī)器語言的自然語言處理技術(shù)（Natural Language Pro?cessing，NLP）逐漸被人們所熟知，并得到了廣泛應(yīng)用。自然語言處理作為一個(gè)多學(xué)科交叉研究領(lǐng)域，涉及多種應(yīng)用技術(shù)，包括信息抽取、文本挖掘、機(jī)器翻譯等［2］。信息抽取（Information Extraction，IE）是一種能從海量數(shù)據(jù)中準(zhǔn)確、快速抽取出人們感興趣的事實(shí)信息，并將其以結(jié)構(gòu)化形式存儲(chǔ)起來的技術(shù)［3］。在醫(yī)學(xué)領(lǐng)域，國外許多學(xué)者將醫(yī)學(xué)術(shù)語庫和自然語言處理技術(shù)相結(jié)合對(duì)醫(yī)案進(jìn)行信息抽取，且取得了不錯(cuò)的成效。但由于中文語言的特殊性，使得中文臨床醫(yī)案信息抽取成為一項(xiàng)具有挑戰(zhàn)性的任務(wù)。其中，陳德華等［4］主要借助詞庫，利用文本聚類的方法從病理文本中提取出模板信息用于文本結(jié)構(gòu)化處理，該方法具有較好的結(jié)構(gòu)化處理效果，但其詞庫構(gòu)建需要人工進(jìn)行整理，且兼容性較差；楊兵等［5］針對(duì)專業(yè)性強(qiáng)、內(nèi)容豐富的醫(yī)學(xué)領(lǐng)域文本數(shù)據(jù)提出一種結(jié)構(gòu)化信息抽取方法，主要利用文本聚類和關(guān)鍵詞提取生成醫(yī)學(xué)術(shù)語庫，再根據(jù)語法規(guī)則抽取關(guān)鍵指標(biāo)實(shí)現(xiàn)醫(yī)學(xué)文本結(jié)構(gòu)化信息的抽取，該方法信息抽取精度較高，但計(jì)算時(shí)間長，且時(shí)效性較差；吳歡等［6］利用基于規(guī)則的方法對(duì)乳腺癌病理報(bào)告進(jìn)行信息抽取，雖然方法簡單、快速、易于實(shí)現(xiàn)，但前期需要人工大量進(jìn)行歸納與總結(jié)，且通用性差。

鑒于此，本研究嘗試從自然語言處理技術(shù)入手，利用Word2vec 方法進(jìn)行中醫(yī)醫(yī)案癥狀信息的自動(dòng)化抽取，并將抽取結(jié)果與TFIDF 進(jìn)行對(duì)比分析，探討更適用于中醫(yī)醫(yī)案癥狀信息抽取的研究思路，從而為進(jìn)一步的中醫(yī)醫(yī)案自動(dòng)化抽取研究提供參考。

1 中醫(yī)醫(yī)案信息抽取方法設(shè)計(jì)

1.1 TFIDF 方法

在醫(yī)案信息抽取過程中，本研究采用的第一種方法是基于統(tǒng)計(jì)的加權(quán)技術(shù)——術(shù)語頻率—逆文檔頻數(shù)（Term Frequency-Inverse Document Frequency，TF-IDF）。該方法是一種常用于資訊檢索與探測的加權(quán)技術(shù)，本研究主要利用其評(píng)估癥狀在醫(yī)案中的重要程度。在研究中，TF 表示某個(gè)癥狀在醫(yī)案中出現(xiàn)的頻率，即：

其中，im,n表示某個(gè)癥狀m 在醫(yī)案n 中出現(xiàn)次數(shù)，本研究規(guī)定表示在醫(yī)案n 中出現(xiàn)的所有癥狀次數(shù)之和。

IDF 是一種度量癥狀普遍重要性（“權(quán)重”）的方法，以逆文本頻率指數(shù)表示，即：

其中，|D|表示語料庫中醫(yī)案總數(shù)，|Dtm|表示包含該癥狀的醫(yī)案數(shù)，1+|Dtm|表示防止當(dāng)癥狀m 在醫(yī)案集合中不存在而出現(xiàn)分母|Dtm|為0 的情況。根據(jù)公式（2）可以看出，某個(gè)癥狀在醫(yī)案集合中出現(xiàn)的次數(shù)越多，該癥狀的IDF 值反而越小，即表示該癥狀區(qū)分醫(yī)案的能力越弱。因此，癥狀在醫(yī)案集合中出現(xiàn)次數(shù)與IDF 值之間是一個(gè)反比關(guān)系。某個(gè)癥狀的重要性與其出現(xiàn)的詞頻成正比，與其在醫(yī)案集中出現(xiàn)的頻率成反比，即一個(gè)癥狀在醫(yī)案中出現(xiàn)頻率越高，而醫(yī)案集中包含該癥狀的醫(yī)案數(shù)越少，則其得到的TF-IDF值越高，也即表示其越重要。

1.2 Word2vec 方法

Word2vec 模型是本研究用于醫(yī)案信息抽取的第二種方法。Word2vec 于2013 年由Mikolov 等［7］提出，是一種神經(jīng)網(wǎng)絡(luò)概率語言模型，其主要目的是將詞語轉(zhuǎn)換為包含語義的詞向量，從而達(dá)到詞與詞之間關(guān)系、與上下文關(guān)系都能以某種程度被表達(dá)出來的目的［8］。之后，Mikolov 等又通過對(duì)Word2vec 訓(xùn)練出的詞向量進(jìn)行距離計(jì)算，可有效發(fā)現(xiàn)語料庫中相近的詞匯［9］。Word2vec 模型一般分為CBOW和Skip-gram 兩個(gè)基礎(chǔ)模型［10］，其中CBOW 模型是基于數(shù)據(jù)上下文內(nèi)容預(yù)測目標(biāo)詞，而Skip-gram 模型思路與之相反。Skip-gram 主要根據(jù)指定詞預(yù)測該指定詞的上下文詞向量，即發(fā)現(xiàn)語料庫中局部詞匯之間的共現(xiàn)關(guān)系，也是本研究需要用到的模型。本研究主要思路是將處理后的數(shù)據(jù)映射成一個(gè)多維實(shí)數(shù)向量，在新的高維空間中，癥狀等詞匯會(huì)以詞向量形式存在。相比傳統(tǒng)文本表示方式，Word2vec 生成的詞向量不僅可以避免“維度災(zāi)難”，而且能夠?qū)⒃~匯之間的語義關(guān)系較好地呈現(xiàn)出來。

K-均值（K-means）算法是一種已知聚類類別數(shù)的劃分算法，且作為一種無監(jiān)督學(xué)習(xí)算法，應(yīng)用較為廣泛。本研究利用Word2vec 中的Skip-gram 模型進(jìn)行醫(yī)案癥狀抽取時(shí)過于依靠指定詞，無法實(shí)現(xiàn)癥狀信息的自動(dòng)化抽取，且抽取結(jié)果受主觀因素影響較大。因此，本研究在此基礎(chǔ)上，利用K-means 聚類算法進(jìn)行醫(yī)案癥狀信息抽取研究。但實(shí)驗(yàn)過程中發(fā)現(xiàn)，在處理高維數(shù)據(jù)時(shí)，聚類很難保證對(duì)其有效進(jìn)行劃分。因此，研究借助于一種通用的降維和數(shù)據(jù)分析工具——主成分分析法（PCA），通過線性變換將高維空間中的樣本投影到低維空間中，同時(shí)盡可能保留原始數(shù)據(jù)特征［11］。研究在保留原始數(shù)據(jù)95%以上信息的情況下，利用PCA 將Word2vec 生成的高維詞向量降到4 維，再利用K-means 算法進(jìn)行劃分。實(shí)驗(yàn)選取K 個(gè)聚類中心，計(jì)算各個(gè)詞匯與聚類中心的距離，通過不斷迭代得到最終聚類結(jié)果。通過對(duì)聚類結(jié)果進(jìn)行purity 評(píng)價(jià)發(fā)現(xiàn)，當(dāng)K=2 時(shí)，purity 值最高，為0.92。最后，實(shí)驗(yàn)選擇癥狀明顯較多的一組作為醫(yī)案信息抽取最終結(jié)果，實(shí)現(xiàn)中醫(yī)醫(yī)案癥狀信息的自動(dòng)化抽取。

1.3 醫(yī)案信息抽取方法流程

本研究先從原始數(shù)據(jù)中抽取出實(shí)驗(yàn)所需數(shù)據(jù)，再對(duì)抽取出的醫(yī)案數(shù)據(jù)進(jìn)行預(yù)處理，之后進(jìn)入分詞操作階段。但在研究過程中發(fā)現(xiàn)，由于缺乏較完整、系統(tǒng)化的心系醫(yī)案相關(guān)癥狀術(shù)語集，導(dǎo)致現(xiàn)有分詞工具分詞效果較差，需創(chuàng)建自定義心系醫(yī)案癥狀詞典。因此，本文的分詞和去停用詞操作是在構(gòu)建后的詞典基礎(chǔ)上進(jìn)行的。最后利用TFIDF和Word2vec 方法分別對(duì)醫(yī)案癥狀相關(guān)信息進(jìn)行自動(dòng)化抽取，并通過精確率、召回率評(píng)估兩種方法的優(yōu)劣。醫(yī)案信息抽取流程如圖1 所示。

Fig.1 Medical information extraction process圖1 醫(yī)案信息抽取流程

2 算法實(shí)驗(yàn)

2.1 數(shù)據(jù)來源

本文實(shí)驗(yàn)數(shù)據(jù)來源于某三甲中醫(yī)醫(yī)院心內(nèi)科的438 條臨床數(shù)據(jù)，數(shù)據(jù)真實(shí)可靠。原始數(shù)據(jù)以Excel 形式存在，主要內(nèi)容包括：總編號(hào)、病歷號(hào)、來源、姓名、性別、年齡、診次、就診日期、病史、方藥等內(nèi)容。由于本次研究主要針對(duì)心系醫(yī)案的癥狀相關(guān)信息進(jìn)行抽取，而病史中包含了病人大量癥狀信息，因此病史相關(guān)數(shù)據(jù)是研究中需要重點(diǎn)挖掘的內(nèi)容。

2.2 數(shù)據(jù)清洗

數(shù)據(jù)清理主要通過填寫缺失值、光滑噪聲數(shù)據(jù)、識(shí)別或刪除離群點(diǎn)并解決格式的不一致性，達(dá)到格式標(biāo)準(zhǔn)化、清除異常與重復(fù)數(shù)據(jù)、糾正錯(cuò)誤的目的［12］。因此，為提高醫(yī)案信息抽取的準(zhǔn)確性，本研究對(duì)原始數(shù)據(jù)中存在的前后詞語不一致問題進(jìn)行預(yù)處理，處理結(jié)果如表1 所示。

2.3 分詞與去停用詞

分詞操作是醫(yī)案信息抽取的基礎(chǔ)，本研究采用的是Py?thon 的jieba 分詞。jieba 分詞是一種應(yīng)用較為廣泛的概率語言模型分詞工具，其主要任務(wù)是在切分得到的所有結(jié)果中求某個(gè)切分方案S，使得P（S）最大。由于本研究是對(duì)特定領(lǐng)域進(jìn)行分詞，jieba 的基礎(chǔ)庫中并沒有醫(yī)學(xué)領(lǐng)域?qū)Ｓ性~匯，因此需要?jiǎng)?chuàng)建自定義詞典。創(chuàng)建本研究所需的心系醫(yī)案數(shù)據(jù)詞典流程描述如下：①讀取100 條心系醫(yī)案數(shù)據(jù)，jieba 分詞并進(jìn)行去停用詞操作；②構(gòu)建詞典：遍歷分詞結(jié)果，構(gòu)建“字詞—頻數(shù)”詞典，按詞頻降序排列：｛‘word’：freq｝，之后遍歷詞典，保留詞數(shù)＞1 的詞語并進(jìn)行一定的人工干預(yù)，構(gòu)建自定義詞典；③讀取100 條醫(yī)案數(shù)據(jù)，依據(jù)自定義詞典進(jìn)行jieba 分詞；④保留分詞結(jié)果中詞頻＞1 的詞語，與自定義詞典進(jìn)行比較，加入未登錄新詞，更新詞典；⑤重復(fù)步驟③、④，直到全部醫(yī)案數(shù)據(jù)讀取完畢。最終分詞結(jié)果如表2 所示。

Table 1 Data cleaning表1 數(shù)據(jù)清洗

Table 2 Word segmentation表2 分詞結(jié)果

去停用詞是指在信息檢索中，通過對(duì)某些字或詞的過濾，達(dá)到節(jié)省存儲(chǔ)空間、提高搜索效率的目的，也是本研究分詞后需進(jìn)行的操作。停用詞一般為醫(yī)案中出現(xiàn)頻率較高，但與心系醫(yī)案需抽取的癥狀沒有關(guān)聯(lián)或不影響抽取結(jié)果 的 一 些 詞，例 如“患 者”“約”“至”“門 診”“口 服”“我 院”“可以”“但”“仍”“突然”等詞語及常用標(biāo)點(diǎn)符號(hào)。本文選取了493 個(gè)停用詞放于一個(gè)停用詞表中，并將停用詞表存放在以“stopwords.txt”命名的記事本文件中。為提高醫(yī)案信息抽取精確率、減少噪聲數(shù)據(jù)的干擾，本研究在分詞完成后利用Python 的open（）函數(shù)加載stopwords 文件，以便對(duì)分詞后的數(shù)據(jù)進(jìn)行去停用詞操作。

指小腿腓腸肌發(fā)生疼痛性攣縮，孕期任何時(shí)期均可出現(xiàn)，夜間發(fā)作較多。這種情況在懷孕5個(gè)月以上孕婦中為多見。系因增大的子宮壓迫下肢神經(jīng)所致，疲倦、寒冷、不合理的體位以及體內(nèi)鈣、磷比例失調(diào)致神經(jīng)系統(tǒng)應(yīng)激功能過強(qiáng)，均可促使發(fā)作。

2.4 評(píng)價(jià)指標(biāo)

不管在機(jī)器學(xué)習(xí)（ML）、信息搜索（IR）還是自然語言處理（NLP）等領(lǐng)域，評(píng)估是一項(xiàng)不可或缺的操作。本研究規(guī)定抽取到的癥狀為正類，其他為負(fù)類，評(píng)估設(shè)置如表3 所示。

Table 3 Assessment settings表3 評(píng)估設(shè)置

評(píng)價(jià)指標(biāo)包括：精確率（precision）、召回率（recall），計(jì)算公式如下：

其中，TP 表示實(shí)驗(yàn)抽取與人工標(biāo)注相同的癥狀數(shù)量，TP+FP 表示抽取總數(shù)量，F(xiàn)N 表示未抽取到的癥狀數(shù)量。

3 結(jié)果與分析

實(shí)驗(yàn)分別選取利用TFIDF 與Word2vec 方法抽取出的前20 條醫(yī)案癥狀信息，并按其重要性排序，結(jié)果如表4 所示。

Table 4 Top 20 extracted data表4 抽取出的前20 條數(shù)據(jù)

由表4 可知，TFIDF 根據(jù)權(quán)重值抽取出的20 條數(shù)據(jù)包括：胸悶、胸痛、心悸、氣喘、頭暈等。Word2vec 方法通過計(jì)算與聚類中心的距離抽取出的結(jié)果包括：心悸、胸痛、心慌、胸悶、氣喘等。由此可知，心系醫(yī)案中病人發(fā)病時(shí)，往往伴有心悸、胸悶、胸痛、氣喘、頭暈等癥狀的發(fā)生，其結(jié)果與已有文獻(xiàn)［13］的研究結(jié)果相似。

同時(shí)，在實(shí)驗(yàn)不斷探索的過程中，還發(fā)現(xiàn)一個(gè)癥狀的出現(xiàn)往往伴隨另一種癥狀，比如：出現(xiàn)惡心時(shí)，往往也伴隨著嘔吐的發(fā)生。由此推論，癥狀與癥狀之間可能也存在著一定聯(lián)系。

Fig.2 Precision P圖2 精確率P

Fig.3 Recall R圖3 召回率R

通過以上實(shí)驗(yàn)發(fā)現(xiàn)，由于TFIDF 與Word2vec 方法研究思維模式的不同，抽取效果也呈現(xiàn)出較大差異，其中Word2vec 方法更適用于心系醫(yī)案癥狀抽取研究。對(duì)比兩種癥狀信息抽取方法的準(zhǔn)確率和召回率發(fā)現(xiàn)，Word2vec 方法的準(zhǔn)確率和召回率均明顯高于TFIDF。主要原因在于利用TFIDF 方法進(jìn)行中醫(yī)醫(yī)案癥狀信息抽取時(shí)，只注重了詞匯與整個(gè)醫(yī)案的聯(lián)系，而忽略了詞匯與其上下文之間的聯(lián)系。但在醫(yī)案信息抽取過程中，上下文之間的聯(lián)系是不可忽略的因素，因而其抽取結(jié)果的精確率和召回率偏低。

由圖2 可知，隨著抽取個(gè)數(shù)X 的增大，兩種方法的準(zhǔn)確率總體呈下降趨勢，主要原因在于人工標(biāo)注是依據(jù)詞頻大小及標(biāo)注癥狀是否為醫(yī)案中的常見癥狀進(jìn)行綜合考量，具體參照文獻(xiàn)［14］，而兩種方法抽取結(jié)果是按其重要性進(jìn)行降序排列。當(dāng)X 為25 時(shí)，抽取癥狀與人工標(biāo)注癥狀符合程度較高，對(duì)應(yīng)準(zhǔn)確率也偏高。當(dāng)X＞65 時(shí)，Word2vec 方法抽取結(jié)果趨于穩(wěn)定，保持在80%左右，TFIDF 方法則在X=95時(shí)趨于穩(wěn)定，只有60%左右。

由圖3 可知，隨著抽取個(gè)數(shù)X 的不斷增加，利用Word2vec 方法抽取的召回率逐漸趨于100%，而采用IFTDF方法的召回率穩(wěn)定在80%左右。綜上所述，基于Word2vec方法的癥狀抽取結(jié)果與人工標(biāo)注結(jié)果更為接近。

4 結(jié)語

本研究利用基于統(tǒng)計(jì)的TFIDF 和Word2vec 方法分別從醫(yī)案數(shù)據(jù)中抽取醫(yī)案癥狀信息。實(shí)驗(yàn)結(jié)果表明：病人發(fā)病時(shí)，往往伴有心悸、胸悶、胸痛、氣喘、頭暈等癥狀的發(fā)生，癥狀與癥狀之間也存在一定聯(lián)系。同時(shí)，對(duì)比TFIDF 與Word2vec 抽取結(jié)果發(fā)現(xiàn)，利用Word2vec 抽取醫(yī)案癥狀信息的效果優(yōu)于TFIDF 方法。主要原因在于醫(yī)案信息抽取過程中，癥狀與其上下文之間的聯(lián)系是必須考慮的因素，而TFIDF 方法恰恰是在忽略上下文之間聯(lián)系的基礎(chǔ)上進(jìn)行的，導(dǎo)致最終抽取結(jié)果的精確率和召回率偏低［15-17］。

現(xiàn)階段的研究只是初步探索，今后的研究可在此基礎(chǔ)上對(duì)醫(yī)案詞典作進(jìn)一步擴(kuò)展，使其更精確、應(yīng)用范圍更廣。雖然利用Word2vec 方法的抽取效果較佳，但K-means 聚類本身存在時(shí)間復(fù)雜度高的局限性，因此需要進(jìn)一步改進(jìn)算法使其具有更好的擴(kuò)展性，抽取出更多符合語義及實(shí)際情況的癥狀信息，為今后探索各癥狀與癥狀或體征之間的聯(lián)系打下基礎(chǔ)。