融合字形特征的中醫(yī)醫(yī)案命名實(shí)體識別研究

胡為 劉偉 盛威 盧彥杰 石玉敬

關(guān)鍵詞：中醫(yī)醫(yī)案；命名實(shí)體識別；漢字字形；BERT模型；BiLSTM

0 引言

中醫(yī)醫(yī)案記錄了患者癥狀、病因、治法和方藥[1]，研究從醫(yī)者望聞問切的診療機(jī)理可輔助醫(yī)生進(jìn)行臨床決策。如何從海量的中醫(yī)醫(yī)案臨床診斷信息中準(zhǔn)確的抽取癥狀實(shí)體是挖掘中醫(yī)辨證規(guī)律的重要基礎(chǔ)。

文獻(xiàn)[2]采用基于統(tǒng)計(jì)學(xué)的條件隨機(jī)場CRF 方法，對名老中醫(yī)臨床肺癌中癥狀實(shí)體抽取F1 值均達(dá)92%。近年來，大量研究者將神經(jīng)網(wǎng)絡(luò)用于信息抽取領(lǐng)域取得了不錯的效果。文獻(xiàn)[3]對于中醫(yī)醫(yī)案臨床癥狀術(shù)語提取構(gòu)建了一種基于長短期記憶網(wǎng)絡(luò)和條件隨機(jī)場相結(jié)合的方法，該方法的F1值達(dá)78%。文獻(xiàn)[4]利用BiLSTM-CRF 模型對中醫(yī)醫(yī)案進(jìn)行命名實(shí)體識別F1值達(dá)89.8%。在上述的中醫(yī)醫(yī)案研究中，輸入普遍采用的是字向量，常用的中文字向量表示方法Word2Vec[5]，BERT[6]等都沒有考慮漢字的字形結(jié)構(gòu)所包含的語義信息，如在中醫(yī)醫(yī)案中表示疾病的實(shí)體通常都有“疒”部首，如“痛”、“瘧”等，包含身體部位的實(shí)體通常包含“月”部首如“胸”、“肺”[7]。漢字起源于象形文字，漢字的結(jié)構(gòu)由詞根組成，而詞根由筆畫組成[8]，利用漢字字形的筆畫、部首、詞根信息，可以學(xué)習(xí)到漢字整體字形結(jié)構(gòu)所隱含的語義信息，提高命名實(shí)體識別的準(zhǔn)確率。本研究將漢字的字形特征融入到中醫(yī)醫(yī)案癥狀實(shí)體抽取研究中，設(shè)計(jì)了一種基于漢字筆畫+部首+詞根的中醫(yī)醫(yī)案命名實(shí)體識別方法，并在中醫(yī)醫(yī)案數(shù)據(jù)集上和其他研究者采用的方法進(jìn)行對比，證明了該方法的優(yōu)越性，可為中醫(yī)醫(yī)案準(zhǔn)確的抽取癥狀實(shí)體提供參考。

1 數(shù)據(jù)集及相關(guān)處理

1.1 數(shù)據(jù)集來源

數(shù)據(jù)來自人民衛(wèi)生出版社出版的經(jīng)典中醫(yī)醫(yī)案叢書《中國現(xiàn)代名中醫(yī)醫(yī)案精粹》，該叢書有6 集，分三批共收錄434 位名中醫(yī)的5172 例醫(yī)案。

1.2 數(shù)據(jù)集篩選標(biāo)準(zhǔn)

納入標(biāo)準(zhǔn)：至少包含患者的主述、醫(yī)生對患者的辨證、醫(yī)生開的處方的醫(yī)案。

排除標(biāo)準(zhǔn)：數(shù)據(jù)不完整的醫(yī)案。

1.3 數(shù)據(jù)預(yù)處理

根據(jù)篩選標(biāo)準(zhǔn)從《中國現(xiàn)代名中醫(yī)醫(yī)案精粹》的5172 例醫(yī)案中甄選了1000 條優(yōu)質(zhì)醫(yī)案。圍繞患者的癥狀和醫(yī)生的辨證方法并參考了《中醫(yī)臨床癥狀術(shù)語規(guī)范》等國家規(guī)范，將每條醫(yī)案劃分為辨證實(shí)體、癥狀實(shí)體、功效實(shí)體、方藥實(shí)體、治則實(shí)體、人群實(shí)體6 類不同的標(biāo)簽。與疾病無關(guān)的醫(yī)案信息劃分為非命名實(shí)體標(biāo)簽。為了提高數(shù)據(jù)集的質(zhì)量，本數(shù)據(jù)由多位經(jīng)驗(yàn)豐富的中醫(yī)專家和學(xué)者共同進(jìn)行數(shù)據(jù)集的人工標(biāo)注和校對。采用BIO 標(biāo)注法，其中實(shí)體開頭用B-X 表示，實(shí)體的中間和結(jié)尾用I-X 表示，非實(shí)體及標(biāo)點(diǎn)符號用O 表示。詳細(xì)的標(biāo)注信息見表1，最終的標(biāo)注的數(shù)據(jù)集共有104，785 字，最后將數(shù)據(jù)集按照7：2：1 的比例劃分為訓(xùn)練集、驗(yàn)證集和測試集。

1.4 融合字形特征中醫(yī)醫(yī)案命名實(shí)體識別模型構(gòu)建

在中文的主流命名實(shí)體識別方法中，通常利用漢字的字嵌入特征[9]，通過神經(jīng)網(wǎng)絡(luò)對其編碼后再通過條件隨機(jī)場的解碼分類器來標(biāo)記出具體的實(shí)體類別。但由于漢字本身的結(jié)構(gòu)多樣性和復(fù)雜性，漢字的筆畫、部首和詞根本身也包含了大量的語義信息，目前的中醫(yī)醫(yī)案命名實(shí)體方法都未很好的解決漢字潛在的字形表征不足的問題[10]，對此，本文提出一種融合漢字筆畫、部首和詞根的漢字字形特征的中醫(yī)醫(yī)案命名實(shí)體識別方法即Strokes-Radical-Root-Word-BERTBiLSTM-CRF（簡稱SRRW-BERT-BiLSTM-CRF）模型。模型的整體示意圖如圖1 所示。本模型主要包含了Embeddings 層、BiLSTM 層和CRF 層。

Embeddings 層：每個字向量的輸入特征由四部分組成。①每個字符的筆畫特征經(jīng)過BiLSTM 神經(jīng)網(wǎng)絡(luò)后得該字符的筆畫特征輸入向量esi。②每個字符的部首特征經(jīng)過BiLSTM 神經(jīng)網(wǎng)絡(luò)后得該字符的部首特征輸入向量eri。③每個字符的詞根特征經(jīng)過BiLSTM 神經(jīng)網(wǎng)絡(luò)后得該字符的詞根特征輸入向量eci。④通過BERT 模型得到該字符的字向量表示ewi。最終每個字符的嵌入向量ei 可以表示為：

筆畫特征：漢字筆畫是指組成漢字且不間斷的各種形狀的點(diǎn)和線，如橫（一）、豎（丨）、撇（丿）、捺（?）、折（）等，它是構(gòu)成漢字字形的最小連筆單位。本文按照《現(xiàn)代漢語通用字表》規(guī)定的五類基本筆畫：橫類（包括所有形式的長橫、短橫、橫鉤、橫提）、豎類（包括所有形式的長豎、短豎、豎鉤）、撇類（包括所有形式的向左撇出去的點(diǎn)）、點(diǎn)類（包括捺和所有向右寫出去的點(diǎn)）、折類（包括所有的橫折、豎折、折鉤、折撇），如表2所示，對于筆畫編碼1 到5。

漢字筆畫語義提取，主要是通過BiLSTM 網(wǎng)絡(luò)來獲取，將筆畫的輸入特征經(jīng)過BiLSTM 網(wǎng)絡(luò)后通過softmax層來標(biāo)準(zhǔn)化權(quán)重，以組合不同的筆畫輸出表示。圖2 顯示了筆畫的特征輸入結(jié)構(gòu)圖。

1.5 模型對比實(shí)驗(yàn)設(shè)計(jì)

本研究設(shè)計(jì)了6 組對照模型。①基于雙向長短記憶神經(jīng)網(wǎng)絡(luò)和條件隨機(jī)場的BiLSTM-CRF 模型。②在BiLSTM-CRF 模型上加入預(yù)訓(xùn)練模型BERT 的BERT-BiLSTM-CRF 模型。③僅加入筆畫和字融合的Strokes-BERT-BiLSTM-CRF 模型。④僅加入部首和字融合的Radical- BERT-BiLSTM-CRF 模型。⑤僅加入詞根和字融合的Root-BERT-BiLSTM-CRF 模型。⑥設(shè)計(jì)了融合字形的筆畫、部首、詞根SRRWBERT-BiLSTM-CRF 模型。

本研究實(shí)驗(yàn)使用PyTorch 1.12 版本、Python3.7 版本的環(huán)境，BERT 預(yù)訓(xùn)練模型采用Google 官方的Bert_Base_Chinese 版本。模型的批處理大?。╞atchsize）為32，學(xué)習(xí)率（Learning rate）為1e-5，BERT 的參數(shù)最大句子長度設(shè)置為256，dropout 參數(shù)為0.5，BiLSTM 中隱藏層的維度為128，每個模型訓(xùn)練的輪數(shù)為30。

1.6 模型評價指標(biāo)

本研究使用精確率（P）、召回率（R）和F1 測度值（F1）值三個評價指標(biāo)來評估模型在命名實(shí)體識別抽取任務(wù)中的性能。假設(shè)Tp表示模型預(yù)測正確識別的實(shí)體個數(shù)，F(xiàn)p表示模型識別錯誤實(shí)體個數(shù)，F(xiàn)N為模型沒有識別出的實(shí)體個數(shù)。三個指標(biāo)具體公式如下：

2 實(shí)驗(yàn)結(jié)果

2.1 對比實(shí)驗(yàn)結(jié)果

根據(jù)研究的數(shù)據(jù)集在選取的六組對照模型進(jìn)行測試，分別觀察各模型對數(shù)據(jù)集劃分的辨證實(shí)體、癥狀實(shí)體、功效實(shí)體、方藥實(shí)體、治則實(shí)體、人群實(shí)體等六類實(shí)體的精確率（P）、召回率（R）和F1 測度值（F1）測試結(jié)果，模型結(jié)果見表3。從表3 的結(jié)果可知，在中醫(yī)醫(yī)案癥狀實(shí)體抽取模型中，在BiLSTM-CRF 模型上加上預(yù)訓(xùn)練模型BERT 在一定程度上可以提高模型的各項(xiàng)評估指標(biāo)，在預(yù)訓(xùn)練模型上單獨(dú)加入筆畫、部首和詞根都可以提升模型的評估指標(biāo)，其中加入筆畫的提升效果最為明顯，將筆畫、部首和詞根都加入可以最大程度上提升模型的效果。將筆畫、部首和詞根都加入的SRRW-BERT-BiLSTM-CRF 模型取得了最佳的精確率93.2%，最佳的召回率92.8% 和最佳的F1 值92.9%。

SRRW-BERT-BiLSTM-CRF 模型得到的各類癥狀實(shí)體評價指標(biāo)如表4 所示，從表4 的結(jié)果看出，SRRW-BERT-BiLSTM-CRF 模型在不同的癥狀實(shí)體標(biāo)簽評價指標(biāo)結(jié)果上有一定的差異，“辨證實(shí)體”、“治則實(shí)體”、“功效實(shí)體”比其他的實(shí)體得分低，分析其原因是這些實(shí)體在概念相似，人工標(biāo)注時對這三類實(shí)體比較難界定其邊界。

2.2 SRRW-BERT-BiLSTM-CRF模型字向量維度實(shí)驗(yàn)

為了進(jìn)一步探究模型輸入的四個向量即字向量、筆畫向量、部首向量、詞根向量的維度對模型結(jié)果的影響，本研究對四個向量選取了不同維度進(jìn)行的實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖3 所示。

從實(shí)驗(yàn)結(jié)果可以看出當(dāng)字向量維度為768 時模型取得的效果最好，筆畫向量維度為64 時取得最好的效果，部首向量在維度為512 時取得最佳效果，詞根向量在維度為384 時取得最佳效果，因?yàn)樽窒蛄坎捎玫腂ERT 預(yù)訓(xùn)練模型作為輸出，需要較大的維度才能學(xué)到更多的語義信息，筆畫向量本身所需要編碼的信息較少，故不需要太大的維度，部首和詞根都是基于字編碼得到的，但本身所包含的字編碼又沒有字向量多，故其需要的向量維度也無需字向量那么高。

2.3 實(shí)驗(yàn)結(jié)果討論

本研究對辨證實(shí)體、癥狀實(shí)體、功效實(shí)體、方藥實(shí)體、治則實(shí)體、人群實(shí)體等六類實(shí)體進(jìn)行了實(shí)驗(yàn)驗(yàn)證，取得了精確率93.2%，召回率92.8% 和F1 值92.9% 的結(jié)果，該結(jié)果證明本研究提出的方法的優(yōu)越性，同時也說明在中醫(yī)醫(yī)案中大量的癥狀實(shí)體與漢字本身的字形如筆畫、部首和詞根有密切關(guān)系，將這些信息加入到模型中，能有效學(xué)習(xí)到中醫(yī)醫(yī)案的語義信息。結(jié)果中的人群類實(shí)體、方藥類實(shí)體的F1 值都超過了90%，而辨證實(shí)體、治則實(shí)體、功效實(shí)體的F1 值比人群類實(shí)體、方藥類實(shí)體低了近10%，其原因可能是在醫(yī)案數(shù)據(jù)集中，不同的從醫(yī)者對醫(yī)案的記錄習(xí)慣存在一定的差異，辨證實(shí)體、治則實(shí)體、功效實(shí)體差異性較大故而影響最終的識別結(jié)果，辨證實(shí)體、治則實(shí)體、功效實(shí)體概念上較為相似，在人工標(biāo)注數(shù)據(jù)時未明確三類實(shí)體的邊界對識別結(jié)果也有一定的影響，在后續(xù)的研究中將會進(jìn)一步優(yōu)化數(shù)據(jù)集。

與其他的中醫(yī)醫(yī)案癥狀實(shí)體模型方法如文獻(xiàn)[3]的方法對比結(jié)果表明，在模型中加入筆畫、部首和詞根都能對中醫(yī)醫(yī)案癥狀實(shí)體的結(jié)果有提升，將筆畫、部首和詞根都加入對模型的F1 提升達(dá)3%，說明本模型能提高中醫(yī)醫(yī)案癥狀命名實(shí)體方法的準(zhǔn)確率及提高中醫(yī)臨床信息的自動化抽取程度。在BiLSTM-CRF模型中加入預(yù)訓(xùn)練模型BERT 效果提升也比較明顯，本模型實(shí)驗(yàn)結(jié)果表明，模型輸入向量的維度會影響最終模型的結(jié)果說明筆畫、部首和詞根選擇合適的維度能夠?qū)W到更多字形所隱含的語義信息。

3 結(jié)束語

本文研究設(shè)計(jì)了一種融合字形特征的中醫(yī)醫(yī)案命名實(shí)體識別方法，利用漢字的筆畫、部首和詞根來提高文本的語義信息，結(jié)合BERT 預(yù)訓(xùn)練模型強(qiáng)大的文本特征表征能力，通過BiLSTM 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)上下文信息的以及條件隨機(jī)場CRF 提取全局最優(yōu)標(biāo)注序列最終輸出中醫(yī)醫(yī)案的癥狀實(shí)體。通過實(shí)驗(yàn)證明了該方法優(yōu)于其他同類中醫(yī)醫(yī)案命名實(shí)體識別方法。本文方法在一定程度上提升了中醫(yī)醫(yī)案實(shí)體識別的效率，為分析和挖掘中醫(yī)醫(yī)案文本提供技術(shù)支撐。本研究后續(xù)將訓(xùn)練一個面向中醫(yī)醫(yī)案領(lǐng)域?qū)Ｓ械念A(yù)訓(xùn)練模型來替換本研究算法中的通用領(lǐng)域的BERT 模型，進(jìn)而進(jìn)一步提高模型識別的準(zhǔn)確性。