基于序列標(biāo)注的中醫(yī)癥狀名識(shí)別技術(shù)研究

魏尊強(qiáng),舒紅平,王亞強(qiáng)（成都信息工程學(xué)院軟件工程學(xué)院,成都 610225）

基于序列標(biāo)注的中醫(yī)癥狀名識(shí)別技術(shù)研究

魏尊強(qiáng),舒紅平,王亞強(qiáng)
（成都信息工程學(xué)院軟件工程學(xué)院,成都 610225）

傳統(tǒng)中醫(yī)學(xué)博大精深，隨著計(jì)算機(jī)技術(shù)在醫(yī)學(xué)領(lǐng)域應(yīng)用的不斷深入，大量中醫(yī)臨床記錄得以保留，為中醫(yī)學(xué)研究學(xué)習(xí)提供了有效途徑，而癥狀名識(shí)別是中醫(yī)臨床記錄研究的重要前提。中醫(yī)癥狀名識(shí)別可以看作一般文本中命名實(shí)體識(shí)別技術(shù)在中醫(yī)學(xué)領(lǐng)域的特殊應(yīng)用。我們采用命名實(shí)體識(shí)別中序列標(biāo)注技術(shù)對(duì)中醫(yī)臨床記錄進(jìn)行研究，并結(jié)合中醫(yī)臨床記錄領(lǐng)域特點(diǎn)，進(jìn)行序列標(biāo)注策略改進(jìn)。通過HMM算法在序列標(biāo)注策略改進(jìn)前后實(shí)驗(yàn)結(jié)果對(duì)比，改進(jìn)后HMM算法在性能評(píng)價(jià)指標(biāo)上優(yōu)于未改進(jìn)之前，說明根據(jù)中醫(yī)臨床記錄特點(diǎn)進(jìn)行的序列標(biāo)注策略改進(jìn)是有效的。

中醫(yī)癥狀名；命名實(shí)體；識(shí)別

1 引言

傳統(tǒng)中醫(yī)學(xué)博大精深，是我國歷代中醫(yī)工作者在無數(shù)臨床診斷和不斷摸索中得出的智慧結(jié)晶[1]。經(jīng)過多年積累，大量中醫(yī)臨床記錄得以保存，包含眾多名老中醫(yī)經(jīng)驗(yàn)和診療方法。我們可以尋找一條發(fā)現(xiàn)中醫(yī)診斷經(jīng)驗(yàn)和規(guī)律的途徑，幫助現(xiàn)代中醫(yī)工作者更好認(rèn)清疾病和臨床診斷之間的關(guān)系，為患者提供更有效的治療。

近年來計(jì)算機(jī)相關(guān)技術(shù)發(fā)展迅速，人們在使用時(shí)產(chǎn)生了大量數(shù)據(jù)信息，這些信息關(guān)系到人們生活的方方面面。同時(shí)，人們對(duì)于計(jì)算機(jī)技術(shù)的使用要求逐步提高。正是在這些不斷增加的數(shù)據(jù)信息及計(jì)算機(jī)使用要求的推動(dòng)下，大數(shù)據(jù)相關(guān)技術(shù)應(yīng)運(yùn)而生，并取得迅猛發(fā)展。數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等技術(shù)逐步應(yīng)用到人們?nèi)粘Ｉ钪衃2]，幫助我們從浩瀚的數(shù)據(jù)信息中發(fā)現(xiàn)隱藏在數(shù)據(jù)背后的知識(shí)和規(guī)律，發(fā)現(xiàn)數(shù)據(jù)之間的關(guān)聯(lián)。

鑒于此，如何從大量中醫(yī)臨床記錄中尋找出診斷規(guī)律的研究就有了一個(gè)新的方向。我們通過對(duì)中醫(yī)臨床記錄的研究發(fā)現(xiàn)，中醫(yī)癥狀名識(shí)別是中醫(yī)臨床記錄研究的重要前提，它可以看作是一般文本中命名實(shí)體識(shí)別技術(shù)在中醫(yī)學(xué)領(lǐng)域的特殊應(yīng)用。因此在本文以下內(nèi)容中，將從命名實(shí)體識(shí)別技術(shù)的角度進(jìn)行中醫(yī)臨床記錄中癥狀名識(shí)別的研究。

2 命名實(shí)體識(shí)別技術(shù)

2.1 命名實(shí)體識(shí)別技術(shù)介紹

命名實(shí)體的概念最初在MUC-6上提出。命名實(shí)體具有獨(dú)立意義，常常作為一個(gè)整體出現(xiàn)在語句中，主要包括人、地名、機(jī)構(gòu)名、專有名詞等。命名實(shí)體識(shí)別是指識(shí)別文本中具有特定含義的實(shí)體[3]。命名實(shí)體識(shí)別技術(shù)研究至今已有多年，成為自然語言處理領(lǐng)域的一項(xiàng)重要技術(shù)，并取得眾多成果。命名實(shí)體識(shí)別技術(shù)的研究最初在英文文本中興起的，中文文本中命名實(shí)體識(shí)別研究仍處于初級(jí)階段。

2.2 命名實(shí)體識(shí)別的分類

命名實(shí)體識(shí)別技術(shù)按照原理可以分為三類方法：基于詞典的方法、基于規(guī)則的方法、基于序列標(biāo)注的方法。

基于詞典的方法中主要有完全匹配和模糊匹配兩種方式。完全匹配要求當(dāng)前詞與詞典中的每個(gè)字符完全一致才能匹配。例如，當(dāng)前詞為“腹部疼痛”，詞典中同樣存在詞“腹部疼痛”才可以匹配。模糊匹配只需部分字符匹配即可。例如，若當(dāng)前詞為“腹部疼痛”，而字典中存在詞“腹痛”才可認(rèn)為兩詞是匹配的。

基于規(guī)則的識(shí)別方法是在基于詞典的方法基礎(chǔ)上發(fā)展而來，在識(shí)別時(shí)加入相關(guān)的詞法、語法、語義規(guī)則，從而獲取到更好識(shí)別效果。基于規(guī)則的方法曾在命名實(shí)體識(shí)別研究初期占有重要地位。在MUC命名實(shí)體評(píng)測時(shí)，幾乎所有參加評(píng)測的系統(tǒng)都是基于規(guī)則的。

基于序列標(biāo)注的方法通過對(duì)命名實(shí)體概率值的使用，對(duì)含有相關(guān)命名實(shí)體的語料集進(jìn)行訓(xùn)練，當(dāng)某字段的概率值大于限定閾值時(shí)，該字段被確定為命名實(shí)體。基于序列標(biāo)注的命名實(shí)體識(shí)別方法有很多種，包括隱馬爾科夫模型（HMM）、條件隨機(jī)場（CRF）等。

3 中醫(yī)癥狀名識(shí)別技術(shù)研究

3.1 一般文本的序列標(biāo)注策略

由上文可知，中醫(yī)臨床記錄中癥狀名識(shí)別可看作一般文本中命名實(shí)體識(shí)別技術(shù)在中醫(yī)學(xué)領(lǐng)域的一個(gè)分支。在一般文本處理過程中，研究對(duì)象通常是字符串形式的句子。語言不同，語言最小單位（簡稱“語素”）可能不同。例如，在中文中最小單位是字；而在英文中最小單位是單詞。盡管如此，句子仍可看作由語素構(gòu)成的序列。對(duì)一般文本中命名實(shí)體的識(shí)別可看作序列標(biāo)注任務(wù)，即為句子中的每個(gè)語素標(biāo)注具有特殊含義的符號(hào)，并且每個(gè)位置只能標(biāo)注一個(gè)符號(hào)。這些特殊符號(hào)稱為“標(biāo)簽”。例如，定義一組表示命名實(shí)體描述開始（Beginning、“B”）、中間（Intermediate，“I”）和其它（Outside，“O”）等指示文本中命名實(shí)體特殊位置的標(biāo)簽。由此可知，一般文本中序列標(biāo)注任務(wù)包括三個(gè)要素：

（1）標(biāo)注序列：一般情況下序列標(biāo)注以句子作為一個(gè)處理單元。

（2）標(biāo)注單元：一般情況下標(biāo)注單元為詞語。由于中文詞語之間沒有自然分隔符號(hào)（如“空格”），中文命名實(shí)體識(shí)別被分成兩部分任務(wù)，首先對(duì)待標(biāo)注序列進(jìn)行中文分詞，然后在此基礎(chǔ)上以中文詞語為標(biāo)注單元，完成命名實(shí)體的識(shí)別。

（3）標(biāo)簽集：如前文所述，標(biāo)簽集會(huì)被定義為“BIO”。

3.2 中醫(yī)臨床記錄中癥狀名標(biāo)注策略

中醫(yī)臨床記錄具有鮮明的領(lǐng)域特點(diǎn)。在中醫(yī)癥狀名識(shí)別過程中，我們需要根據(jù)中醫(yī)臨床記錄領(lǐng)域特點(diǎn)進(jìn)行改進(jìn)：

（1）如3.1所述，一般情況下中文命名實(shí)體識(shí)別任務(wù)需要對(duì)標(biāo)注序列進(jìn)行分詞，在此基礎(chǔ)上完成命名實(shí)體識(shí)別。然而在中醫(yī)臨床記錄中，中醫(yī)癥狀名通常由病位、病勢和病性三部分組成，這三部分內(nèi)容通常連續(xù)出現(xiàn)。因此，我們可以將字作為中醫(yī)癥狀名識(shí)別任務(wù)的標(biāo)注單元。

（2）為提高工作效率，中醫(yī)工作人員在記錄病人病情時(shí)通常不會(huì)進(jìn)行重新組織和改寫，導(dǎo)致臨床記錄內(nèi)容喪失上下文連貫性。例如，“昨日腸鳴，失氣多，心中不適”可能會(huì)有多種內(nèi)容不連貫的描述方式，如“腸鳴昨日，心中不適，失氣多”或者“腸鳴，心中不適，失氣多（昨天）”。同時(shí)，為方便記錄，大多數(shù)中醫(yī)工作人員習(xí)慣使用逗號(hào)“，”代替其他標(biāo)點(diǎn)，導(dǎo)致中醫(yī)臨床記錄句子被合并成一句話。因此，我們定義中醫(yī)臨床記錄中包含的“子句”代替原來的“句子”作為新的標(biāo)注序列。“昨日腸鳴，心中不適，失氣多”按照新標(biāo)注序列被劃分成“昨日腸鳴”，“心中不適”和“失氣多”三個(gè)“子句”序列。這樣不僅可以有效保持子句內(nèi)容的連貫性，還有效降低由中醫(yī)臨床記錄內(nèi)容組織混亂帶來噪音特征的可能性。

3.3 序列標(biāo)注識(shí)別方法形式化表示

根據(jù)前文對(duì)序列標(biāo)注方法描述，中醫(yī)臨床記錄中癥狀名識(shí)別方法的形式化定義可以描述成：

劃定一個(gè)包含于中醫(yī)臨床記錄中的子句X=x1,x2,…,xn，我們的目標(biāo)就是構(gòu)建一個(gè)序列分類器，該分類器能夠準(zhǔn)確賦予每一個(gè)包含于X中的中文字xi以合適的標(biāo)簽yi，該標(biāo)簽yi屬于事先定義的具有特殊含義的標(biāo)簽集合y。相應(yīng)的，在給定X的情況下，最可靠的序列標(biāo)注結(jié)果可以表示為：

其中，P(y｜x)表示給定子句x后，其對(duì)應(yīng)標(biāo)簽序列是y的可能性，而最終標(biāo)簽序列結(jié)果應(yīng)是在所有子句x可能對(duì)應(yīng)的標(biāo)簽序列中具有最大可能性（即P(y｜x)）的y。該類問題可以采用序列標(biāo)注分類模型HMM進(jìn)行解決。

3.4 HMM算法介紹

HMM由隨機(jī)狀態(tài)轉(zhuǎn)移概率和觀測產(chǎn)生過程概率構(gòu)成的序列標(biāo)注模型。在中醫(yī)癥狀名識(shí)別任務(wù)中，隱藏狀態(tài)為標(biāo)簽集中變量，而狀態(tài)轉(zhuǎn)移是這些標(biāo)簽序列之間的轉(zhuǎn)移過程，該過程滿足馬爾科夫性質(zhì)，即在給定當(dāng)前的狀態(tài)和所有過去狀態(tài)的情況下，其未來狀態(tài)的條件概率分布僅依賴與當(dāng)前狀態(tài)的前一狀態(tài)。觀測結(jié)果的產(chǎn)生過程概率就是當(dāng)前的隱藏狀態(tài)產(chǎn)生出當(dāng)前觀測量的可能性，例如，在中醫(yī)臨床記錄的子句“失氣多”中，在給定隱藏層狀態(tài)“I”的條件下，觀測到“氣”的條件概率即為觀測產(chǎn)生過程概率。HMM可以被靈活的用于解決 序列化數(shù)據(jù)分類問題。圖1所示為HMM的建模過程。

如圖1所示，中醫(yī)臨床記錄中標(biāo)注序列產(chǎn)生過程以默認(rèn)標(biāo)簽“START”標(biāo)識(shí)開始，以默認(rèn)標(biāo)簽“END”標(biāo)識(shí)結(jié)束。由默認(rèn)開始狀態(tài)標(biāo)簽向表示其他位置內(nèi)容的狀態(tài)標(biāo)簽“O”轉(zhuǎn)移，表示該臨床記錄首先介紹一般描述內(nèi)容，而不是以癥狀名描述作為開始。在該狀態(tài)生成觀測到文字“昨”之后，向下一狀態(tài)“O”轉(zhuǎn)移說明前述非癥狀名的描述，并由該隱藏狀態(tài)“O”生成中文字“日”與“昨”形成時(shí)間描述內(nèi)容，以交代時(shí)間背景，在這以后一段對(duì)癥狀的描述。該過程將反復(fù)進(jìn)行，直至遇到表示序列結(jié)尾的默認(rèn)標(biāo)簽“END”為止。根據(jù)如此的文本生成過程，我們便可對(duì)原始的序列標(biāo)注模型（如公式3-1所示）進(jìn)行修改，以達(dá)到對(duì)觀測到的中醫(yī)臨床記錄數(shù)據(jù)進(jìn)行形式化表達(dá)的目的。

4 實(shí)驗(yàn)及結(jié)果

4.1 實(shí)驗(yàn)數(shù)據(jù)說明

本文的實(shí)驗(yàn)數(shù)據(jù)來源于真實(shí)的中醫(yī)臨床記錄數(shù)據(jù)集，由中醫(yī)工作人員在日常臨床診斷中進(jìn)行收集，樣例數(shù)據(jù)如圖2所示。

為能夠更好進(jìn)行實(shí)驗(yàn)，我們對(duì)數(shù)據(jù)進(jìn)行了相關(guān)篩選整理工作，刪除錯(cuò)誤或重復(fù)信息，確保實(shí)驗(yàn)中由實(shí)驗(yàn)數(shù)據(jù)所造成的錯(cuò)誤率降至最低。

4.2 實(shí)驗(yàn)結(jié)果評(píng)價(jià)指標(biāo)及評(píng)價(jià)方式

為比較HMM算法在改進(jìn)前后的性能，我們采用準(zhǔn)確率P、召回率R和度量值F作為評(píng)價(jià)指標(biāo)，它們的具體公式如下所示：

公式4-1用于計(jì)算準(zhǔn)確率，是準(zhǔn)確識(shí)別的癥狀名在所有識(shí)別出的癥狀名中占的比例。公式4-2用于召回率的計(jì)算，反映準(zhǔn)確識(shí)別的癥狀名在中醫(yī)臨床記錄中所有癥狀名中的比例，用于衡量算法的泛化能力，能力越大，通用性越好。公式4-3用于衡量算法的整體性能。我們可以通過這三個(gè)指標(biāo)來評(píng)價(jià)癥狀名識(shí)別算法的優(yōu)劣。

在HMM對(duì)比實(shí)驗(yàn)中，我們將整理后的中醫(yī)臨床記錄數(shù)據(jù)集隨機(jī)分成兩部分。一部分約為原數(shù)據(jù)的70%，用于序列分類器訓(xùn)練；另一部分約為原數(shù)據(jù)的30%，作為測試數(shù)據(jù)集。

4.3 HMM在癥狀名識(shí)別中實(shí)驗(yàn)結(jié)果

我們在HMM算法對(duì)比實(shí)驗(yàn)中借用了Mallet工具包，并對(duì)部分源代碼進(jìn)行修改，對(duì)HMM算法改進(jìn)前后的結(jié)果進(jìn)行統(tǒng)計(jì)，如下表所示：

未改進(jìn)HMM與改進(jìn)HMM實(shí)驗(yàn)結(jié)果

我們對(duì)比實(shí)驗(yàn)結(jié)果會(huì)發(fā)現(xiàn)，改進(jìn)后HMM在準(zhǔn)確率P和召回率R都有一定提升，在此基礎(chǔ)上，癥狀名識(shí)別整體性能也有提升。由此可知，我們根據(jù)中醫(yī)臨床記錄特點(diǎn)進(jìn)行的序列標(biāo)注策略改進(jìn)是有效的。

5 總結(jié)

中醫(yī)臨床記錄中癥狀名識(shí)別的研究仍處于初級(jí)階段。本文根據(jù)中醫(yī)臨床記錄特點(diǎn)做了相關(guān)改進(jìn)工作。通過實(shí)驗(yàn)結(jié)果對(duì)比發(fā)現(xiàn)，根據(jù)中醫(yī)臨床記錄特點(diǎn)進(jìn)行的序列標(biāo)注策略改進(jìn)是有效的。但是，在中醫(yī)癥狀名識(shí)別時(shí)，由于HMM算法是基于概率生成模型的算法，對(duì)于癥狀名邊界位置處理并不算好。因此，在后續(xù)的研究中，我們可能考慮使用基于概率判別模型的算法，對(duì)中醫(yī)癥狀名的邊界問題進(jìn)行更有效的判定。

參考資料：

[1]周雪忠.文本挖掘在中醫(yī)藥中的若干應(yīng)用研究[D].浙江大學(xué),2004.

[2]陳立鵬.人工智能引發(fā)的科學(xué)技術(shù)倫理問題[J].文學(xué)教育(下),2012(08).

[3]張莉萍.基于領(lǐng)域本體構(gòu)建的Web信息抽取[J]. 嘉興學(xué)院學(xué)報(bào),2010(06).

魏尊強(qiáng)（1987-）,男,江蘇豐縣人,碩士研究生在讀，數(shù)據(jù)庫與知識(shí)。