閱讀綜述性論文是一種能夠快速了解某一領(lǐng)域的方法，接下來通過今年的一篇綜述性論文來了解一下近五年來中文電子病歷的命名實(shí)體識別研究進(jìn)展。

基本的，我們應(yīng)該先來了解一下兩個概念：電子病歷和命名實(shí)體識別。

電子病歷(Electronic Medical Record，EMR)是指醫(yī)務(wù)人員在醫(yī)療活動過程中，使用醫(yī)療機(jī)構(gòu)信息系統(tǒng)生成的數(shù)字化信息, 并能實(shí)現(xiàn)存儲、管理、傳輸和重現(xiàn)的醫(yī)療記錄。電子病歷中的文本內(nèi)容是醫(yī)務(wù)人員按照《病歷書寫基本規(guī)范》和《電子病歷基本規(guī)范（試行）》中相關(guān)書寫規(guī)定，圍繞患者醫(yī)療需求與服務(wù)活動而記錄的描述性文本內(nèi)容。

命名實(shí)體識別(Named Entity Recognition，NER)是指識別自由文本中具有特定意義的實(shí)體，如人名、地名、專有名詞等。與通用領(lǐng)域的命名實(shí)體不同，電子病歷中的命名實(shí)體通常有疾病、癥狀、治療等實(shí)體。

有了上述兩個概念的了解后，接下來我們就可以來了解中文電子病歷命名實(shí)體識別的任務(wù)，它包括：

①電子病歷數(shù)據(jù)的獲取與匿名化處理；

②明確命名實(shí)體種類，進(jìn)行語料標(biāo)注；

③構(gòu)建模型進(jìn)行實(shí)體識別；

④結(jié)果評價及優(yōu)化。

以電子病歷中現(xiàn)病史章節(jié)為例，中文電子病歷命名實(shí)體識別研究任務(wù)流程如圖1所示：

從上述四個任務(wù)出發(fā)，我們繼續(xù)進(jìn)行探討。

1

電子病歷數(shù)據(jù)集的獲取

中文電子病歷數(shù)據(jù)的獲取途徑通常包括：

①與醫(yī)院建立合作關(guān)系，如曲春燕等通過與某醫(yī)科大學(xué)附屬醫(yī)院建立合作關(guān)系獲取到該院35個大科室、87個小科室的992份電子病歷。同時，相關(guān)醫(yī)務(wù)人員也全程參與數(shù)據(jù)標(biāo)注，為數(shù)據(jù)集的質(zhì)量提供了保障。

②開放獲取的學(xué)術(shù)評測語料，如CCKS2020學(xué)術(shù)評測任務(wù)三開放了用于命名實(shí)體識別評測任務(wù)的已標(biāo)注匿名化電子病歷1500份和未標(biāo)注的電子病歷1000份，在電子病歷語料資源匱乏的現(xiàn)狀下，全國知識圖譜與語義計(jì)算大 會無疑為行業(yè)發(fā)展作出了巨大貢獻(xiàn)。 ③網(wǎng)絡(luò)發(fā)布的電子病歷資源。 當(dāng)前，大多數(shù)研究采用第1種方式獲取電子病歷的研究數(shù)據(jù)，并邀請醫(yī)務(wù)人員參與語料數(shù)據(jù)的標(biāo)注工作；而第2、3種獲取方式具有很大的不確定性，并且電子病歷的數(shù)據(jù)標(biāo)注工作過程控制和質(zhì)量控制均存在不確定性。

2

數(shù)據(jù)標(biāo)注的相關(guān)工作

曲春燕等參照i2b2 2010的標(biāo)注規(guī)范制定了中文電子病歷的標(biāo)注規(guī)范，進(jìn)而在兩名臨床醫(yī)生的全程參與下，對病歷文本分為前后共計(jì)4輪標(biāo)注，并進(jìn)行了一致性檢驗(yàn)。楊錦鋒等在曲春燕等人的工作基礎(chǔ)上，對相同的病歷文本資源，進(jìn)行了命名實(shí)體和實(shí)體關(guān)系的標(biāo)注語料構(gòu)建工作。He等在曲春燕、楊錦鋒等人的工作基礎(chǔ)上，新增了電子病歷文本的分詞、詞性標(biāo)注、斷言、關(guān)系抽取等自然語言處理常見任務(wù)的語料標(biāo)注工作，并對標(biāo)注結(jié)果進(jìn)行了一致性檢驗(yàn)。 上述學(xué)者的延續(xù)性標(biāo)注工作，對今后研究的語料標(biāo)注工作具有一定的指導(dǎo)意義。然而，與臨床醫(yī)生長期從事語料建設(shè)和維護(hù)的難以實(shí)現(xiàn)。一方面，臨床醫(yī)生用于語料標(biāo)注的時間有限；另一方面，邀請臨床醫(yī)生標(biāo)注語料成本更高。因此，醫(yī)學(xué)數(shù)據(jù)標(biāo)注團(tuán)隊(duì)建設(shè)和專業(yè)人員培養(yǎng)的可行性值得探討。

3

主要的命名實(shí)體識別算法模型

中文命名實(shí)體識別的主要研究算法為條件隨機(jī)場（CRF）和雙向長短期記憶網(wǎng)絡(luò)模型條件隨機(jī)場（Bi-LSTM-CRF）。 Liu等設(shè)計(jì)不同特征模板和上下文窗口進(jìn)行條件隨機(jī)場的學(xué)習(xí)訓(xùn)練，進(jìn)行模型實(shí)體識別效率的比對分析，以尋找最佳的電子病歷特征模板和上下文窗口。Liu等在i2b2 2010，2012和2014語料上實(shí)驗(yàn)對比了Bi-LSTM-CRF與傳統(tǒng)的CRF實(shí)體識別算法的性能，結(jié)果表明Bi-LSTM-CRF性能較好。CCKS 2017學(xué)術(shù)評測任務(wù)二：面向電子病歷的命名實(shí)體識別，共收錄了7篇論文，研究內(nèi)容和測評結(jié)果等見表1?？傮w上看，7篇論文均有對Bi-LSTM-CRF（或Bi-LSTM）算法模型的實(shí)現(xiàn)；均采用“字粒度”模型使用word2vec工具將輸入文本特征向量化表示。Zhang等利用CCKS 2017開放的電子病歷語料，分別采用CRFs和Bi-LSTM-CRF兩種統(tǒng)計(jì)機(jī)器學(xué)習(xí)算法從電子病歷數(shù)據(jù)集中識別疾病、身體部位和治療等信息，并對兩種方法進(jìn)行了對比分析，發(fā)現(xiàn)后者性能較好。Qiu等為提高循環(huán)神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練速度，提出了殘差卷積神經(jīng)網(wǎng)絡(luò)條件隨機(jī)場模型（RD-CNN-CRF）在CCKS 2017開放測試語料上獲得了較Bi-LSTM-CRF更高的訓(xùn)練速度和F1值。CCKS 2018學(xué)術(shù)評測任務(wù)一：面向中文電子病歷的命名實(shí)體識別，共收錄論文2篇，分別是Yang等將詞嵌套、詞性、偏旁部首、拼音、詞典和規(guī)則特征作為條件隨機(jī)場（CRFs）的學(xué)習(xí)特征，實(shí)驗(yàn)F1值為89.26%；Luo等基于多特征（如標(biāo)點(diǎn)符號、分詞和詞典等特征）融合，整合CNN-CRF, Bi-LSTM-CRF, Bi-LSTM-CNN-CRF, Bi-LSTM+CNN-CRF和Lattice LSTM五種神經(jīng)網(wǎng)絡(luò)模型，實(shí)驗(yàn)F1值最高達(dá)到了88.63%（表1）。

4

結(jié)果評價及優(yōu)化

隨著中文電子病歷命名實(shí)體識別的研究逐步深入以及相關(guān)算法框架的逐漸成熟，基于中文電子病歷的命名實(shí)體識別算法構(gòu)成了臨床電子病歷系統(tǒng)、專病科研數(shù)據(jù)提取、臨床輔助決策系統(tǒng)的重要組成部分。 電子病歷命名實(shí)體識別結(jié)果評價指標(biāo)說明如下圖：

袁冬生為解決出院小結(jié)文檔中普遍存在的信息不準(zhǔn)確、無效信息、信息缺失等問題，設(shè)計(jì)開發(fā)了一套基于命名實(shí)體識別的出院小結(jié)錯誤檢測系統(tǒng)。李山為提高住院病歷錄入的交互性和可操作性，降低書寫的繁雜度，減輕醫(yī)生負(fù)荷，提高工作效率，使用條件隨機(jī)場算法，進(jìn)行電子病歷命名實(shí)體識別，提取病歷中重要的診療信息，并將其應(yīng)用在住院病歷錄入輔助中，以優(yōu)化和改善病歷錄入方式。Su等則基于中文電子病歷命名實(shí)體標(biāo)注規(guī)范構(gòu)建了一個可用于識別心血管疾病危險因素的語料庫。

展望

.....

針對電子病歷的語義特征的量化分析與研究，對于提升算法特征工程質(zhì)量有積極意義；近兩年來，針對電子病歷語料標(biāo)注的成本問題，很多研究聚焦于半監(jiān)督和無監(jiān)督的算法來實(shí)現(xiàn)基于少量標(biāo)注語料或完全基于非標(biāo)注原始語料進(jìn)行實(shí)體識別，是一個重要的研究方向。