一種面向中醫(yī)電子病歷的實(shí)體抽取算法

丁有偉，郭 坤，胡孔法，戴彩艷

（1.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；2.南京航空航天大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，江蘇南京 211106）

0 引言

中醫(yī)電子病歷記錄了辨證論治的全過程，包含證—癥—方—藥的規(guī)律，對(duì)中醫(yī)傳承發(fā)展有重要作用。隨著智慧中醫(yī)藥領(lǐng)域的發(fā)展，中醫(yī)電子病歷的分析挖掘已成為學(xué)術(shù)界研究熱點(diǎn)，多用于臨床決策支持［1］、疾病診斷預(yù)測(cè)［2］、診療規(guī)律挖掘［3］、療效評(píng)價(jià)［4］等。然而隨著智能化程度的加深，迫切需要從語義層面探究電子病歷中蘊(yùn)含的中醫(yī)思想和診療經(jīng)驗(yàn)，即從電子病歷中提取出命名實(shí)體，包含命名實(shí)體的類別及其之間的關(guān)系。中醫(yī)電子病歷實(shí)體識(shí)別通常采用人工標(biāo)記或關(guān)鍵詞匹配方法，前者浪費(fèi)大量人力且準(zhǔn)確性不可控，后者完全依賴于詞庫的完整性和準(zhǔn)確性，可擴(kuò)展性較差。因此，為應(yīng)對(duì)各類基于中醫(yī)電子病歷的智能應(yīng)用的數(shù)據(jù)處理需求，亟需研究高效率、高精度的中醫(yī)電子病歷實(shí)體識(shí)別算法。

近年來，基于神經(jīng)網(wǎng)絡(luò)的自然語言處理方法為電子病歷的識(shí)別提供了技術(shù)支撐。自深度神經(jīng)網(wǎng)絡(luò)在手寫體識(shí)別上取得突破以來，各類神經(jīng)網(wǎng)絡(luò)已成為當(dāng)前自然語言處理的主流模型。例如，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）早期用于圖像處理，后來逐漸引入到自然語言處理中并取得較好的識(shí)別效果［5-6］；循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）較早應(yīng)用于自然語言處理中［7］，但容易引發(fā)梯度消失和梯度爆炸問題，隨后基于該模型的各種改進(jìn)方案被提出［8-9］；長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（Long Short-Term Memory Networks，LSTM）彌補(bǔ)了RNN 長(zhǎng)期記憶不足的缺陷［10］，重點(diǎn)解決自然語言中前言與后語之間的依賴關(guān)系。隨后，大量基于LSTM 的模型被提出，如門控循環(huán)單元（Gated Recurrent Unit，GRU）［11］、雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（Bidirection Long Short-Term Memory Networks，BiLSTM）模型［12］、LSTM-Attention 模型［13］、LSTM-CRF 模型、LSTM-Attention-CRF 模型［14］、LSTM-CNN 模型［15］等，其中CRF 為條件隨機(jī)場(chǎng)（Conditional Random Field）。此外，為了提高自然語言處理的精度，減少用戶端模型訓(xùn)練的工作量，BERT、GPT 等預(yù)訓(xùn)練模型的應(yīng)用逐漸增多。

針對(duì)中醫(yī)電子病歷的語言特征，本文提出一種高效的實(shí)體抽取算法，首先采用詞向量、BiLSTM、自注意力機(jī)制和CRF 相結(jié)合的模型進(jìn)行命名實(shí)體識(shí)別，對(duì)實(shí)體分類、向量相似度等進(jìn)行優(yōu)化，提高中醫(yī)電子病歷的實(shí)體識(shí)別精度；然后采用BiLSTM 與多層感知器相結(jié)合的模型挖掘中醫(yī)電子病歷各實(shí)體間的依存關(guān)系，通過修改輸出函數(shù)提高實(shí)體關(guān)系識(shí)別精度；最后通過真實(shí)電子病歷的測(cè)試，驗(yàn)證了本文算法的準(zhǔn)確性。

1 中醫(yī)電子病歷實(shí)體識(shí)別

目前中醫(yī)電子病歷自然語言處理常采用實(shí)體庫匹配與人工處理相結(jié)合的方法，采用標(biāo)準(zhǔn)術(shù)語庫匹配出電子病歷中的實(shí)體，術(shù)語庫中不存在的實(shí)體以及實(shí)體之間的關(guān)系均依靠人工識(shí)別，效率低下且出錯(cuò)概率較高。本文方法可自動(dòng)從目標(biāo)文本中識(shí)別出命名實(shí)體以及實(shí)體之間的關(guān)系，識(shí)別準(zhǔn)確率與效率均較高。

中醫(yī)電子病歷命名實(shí)體識(shí)別主要包括中文分詞和命名實(shí)體識(shí)別兩個(gè)任務(wù)，識(shí)別模型如圖1 所示。根據(jù)中醫(yī)電子病歷的內(nèi)容設(shè)計(jì)10 種預(yù)測(cè)標(biāo)簽，如表1 所示。每一個(gè)預(yù)測(cè)標(biāo)簽由前綴和后綴兩部分組成，前綴用于分詞任務(wù)，其中B 表示詞語首字，I 表示詞語剩余部分；后綴用于標(biāo)識(shí)命名實(shí)體的類別，包含病癥、表現(xiàn)、機(jī)構(gòu)、藥物和其他五大類。

Fig.1 Entity recognition model of TCM EMR圖1 中醫(yī)電子病歷命名實(shí)體識(shí)別模型

Table 1 Classification of predicted labels表1 預(yù)測(cè)標(biāo)簽類別

1.1 字嵌入模型

在識(shí)別中醫(yī)電子病歷時(shí)，通常存在一個(gè)大小為|D|的字典D。字嵌入的思想是采用低維稠密矩陣表示字典D，一個(gè)低維向量對(duì)應(yīng)一個(gè)字，以便更好地表示字詞的多維信息，例如詞性、褒貶以及近義關(guān)系等。將字嵌入思想應(yīng)用于中醫(yī)電子病歷識(shí)別中，每一個(gè)中文字符w∈D對(duì)應(yīng)一個(gè)特征向量v∈Rd，其中d表示字嵌入矩陣的維度。字嵌入矩陣由深度學(xué)習(xí)框架的Embedding 函數(shù)給出，并通過訓(xùn)練不斷優(yōu)化，得到的詞嵌入將用于模型輸入。在本文中，字嵌入向量維度設(shè)為256。

1.2 LSTM

LSTM 是RNN 的改進(jìn)版，通過遺忘門、輸入門和輸出門，LSTM 可以選擇性地刪除和保留特征信息。在命名實(shí)體識(shí)別任務(wù)中，需要判斷出當(dāng)前詞語的類別，即預(yù)測(cè)當(dāng)前觀測(cè)值的隱含狀態(tài)。輸入門需要接收來自前方文本的特征以及當(dāng)前觀測(cè)值兩種信息作為輸入，然后使用Sigmoid 層對(duì)其進(jìn)行處理。雖然前方字詞可用于預(yù)測(cè)下一個(gè)字詞的信息，但并非所有來自前方字詞的特征都有價(jià)值。正確做法是刪除無用信息，保留重要信息，遺忘門可使用Sigmoid層（輸出矩陣中只有0 和1 的值）與上一個(gè)細(xì)胞狀態(tài)相乘以實(shí)現(xiàn)該功能。輸出門則是對(duì)輸入門和遺忘門的信息進(jìn)行綜合，即對(duì)前方字詞信息選擇性記憶和遺忘。

LSTM 可用于提取中醫(yī)電子病歷的順序特征，但其門結(jié)構(gòu)只能緩解長(zhǎng)距離依賴丟失的問題。在極端情況下，LSTM 會(huì)退化成傳統(tǒng)的RNN 網(wǎng)絡(luò)。不僅如此，LSTM 每一個(gè)細(xì)胞狀態(tài)的計(jì)算都需要等待前一個(gè)輸出的到來，使其無法實(shí)現(xiàn)并行運(yùn)算。因此，在模型中堆疊多層LSTM 是十分低效的做法。針對(duì)以上問題，本文引入自注意力機(jī)制和CRF。

1.3 自注意力機(jī)制

為使模型更好地提取全局特征，打破長(zhǎng)距離的通信障礙，本文引入自注意力機(jī)制。自注意力機(jī)制只關(guān)注句中的重要部分，更有利于算法獲取有益特征。自注意力機(jī)制使句中不同字詞直接相連，字詞特征不需要像LSTM 那樣逐一傳遞，大大縮短了處理時(shí)間且很好地避免了長(zhǎng)距離依賴丟失的問題。本文對(duì)自注意力機(jī)制進(jìn)行封裝，形成了自注意力網(wǎng)絡(luò)，主要由自注意力層、歸一化層、前饋卷積層構(gòu)成。

然而，在今天看來，和其他更典型的拉斐爾前派繪畫相比較而言，羅塞蒂的這些作品仍顯得不那么純粹。比如，如果將《邂逅》和其他旗手如米萊斯的作品《洛倫佐與伊莎貝拉》相比，其刻畫的程度就不如后者更為精謹(jǐn)；而《受胎告知》這一題材也不比亨特的《良知覺醒》更具現(xiàn)實(shí)的道德寓意，而畫面中天使加百列雙足周圍纏繞的火焰燃燒出一種超現(xiàn)實(shí)的感覺，背景的藍(lán)色布幔和前景中火紅的織物前后照應(yīng)，無疑又給畫面平添了一份裝飾意味。

1.4 CRF

CRF 是一種無向圖模型，可以輸出條件概率，是整個(gè)命名體識(shí)別算法的最后一層，采用線性CRF 處理中文字符序列信息可以很好地提取全局特征。

2 中醫(yī)電子病歷實(shí)體依存關(guān)系挖掘

從中醫(yī)電子病歷中識(shí)別出命名實(shí)體后，為更好地理解其語義，還需要對(duì)命名實(shí)體之間的依存關(guān)系進(jìn)行挖掘。采用BiLSTM 與多層感知器相結(jié)合的方法挖掘中醫(yī)電子病歷命名實(shí)體的依存關(guān)系，模型如圖2 所示，主要包含輸入層、特征提取層和輸出層。

Fig.2 Model of dependencies mining圖2 依存關(guān)系挖掘模型

2.1 輸入層

輸入層包含詞語嵌入和詞類標(biāo)簽嵌入兩個(gè)部分。創(chuàng)建兩個(gè)矩陣字典，其中詞嵌入字典（Words to Embeddings，WTE）負(fù)責(zé)詞轉(zhuǎn)詞嵌入，標(biāo)簽嵌入字典（Tags to Embeddings，TTE）負(fù)責(zé)詞類標(biāo)簽轉(zhuǎn)標(biāo)簽嵌入。字典WTE 中的詞語來源于中醫(yī)電子病歷命名實(shí)體識(shí)別算法的分詞結(jié)果；字典TTE 中的標(biāo)簽包括病癥標(biāo)簽、表現(xiàn)標(biāo)簽、機(jī)構(gòu)標(biāo)簽、藥物標(biāo)簽和其他標(biāo)簽五大類。詞語嵌入與標(biāo)簽嵌入由Embedding 函數(shù)初始化給出，詞語嵌入維度設(shè)置為64，標(biāo)簽嵌入維度設(shè)置為32，并通過訓(xùn)練不斷優(yōu)化，最終得到詞語嵌入與標(biāo)簽嵌入連接，組成維度為96 的向量，作為特征提取層的輸入。

2.2 特征提取層

該層進(jìn)一步提取輸入層信息的特征，輸出結(jié)果作為輸出層的輸入。使用BiLSTM 與多層感知器聯(lián)合構(gòu)造特征提取層，BiLSTM 中每一時(shí)刻的輸出均需綜合考慮前后時(shí)刻的信息。多層感知器是一種最基本的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，主要通過封裝3 個(gè)線性層實(shí)現(xiàn)，激活函數(shù)使用ReLU 函數(shù)。

2.3 輸出層

該層輸出函數(shù)的作用是根據(jù)特征提取層對(duì)結(jié)果進(jìn)行預(yù)測(cè)，輸出函數(shù)的性能直接決定著模型最終效果。中醫(yī)電子病歷依存關(guān)系挖掘主要包含兩個(gè)任務(wù)，即判斷關(guān)系存在和關(guān)系種類，兩種任務(wù)對(duì)應(yīng)的輸出函數(shù)也不同。

2.3.1 判斷關(guān)系存在

該任務(wù)的輸出函數(shù)用于判斷依存關(guān)系是否存在，輸出結(jié)果是一個(gè)向量v∈Rd，其中d表示該句長(zhǎng)度，數(shù)值為正整數(shù)。向量中的整數(shù)代表當(dāng)前詞語所依存的對(duì)象在句中的編號(hào)，主要體現(xiàn)在對(duì)病癥的修飾上，如“加重”依存于“感冒”等。借助向量v可以直接解析出該句中存在的依存關(guān)系二元組。該輸出函數(shù)有求和和求積兩種，求和法輸出函數(shù)表示為：

式中，oij表示wi→wj的權(quán)值；表示詞語作為head 的特征值；表示詞語作為dependent 的特征值。

求積法輸出函數(shù)表示為：

式中，Wi為待訓(xùn)練參數(shù)。

2.3.2 判斷關(guān)系種類

該任務(wù)的輸出函數(shù)用于判斷關(guān)系的種類，計(jì)算方式同上，但輸出的并不是一個(gè)整數(shù)值向量，而是一個(gè)概率分布v∈Rd，∑vi=1，此處d表示依存關(guān)系種類個(gè)數(shù)。

2.4 損失函數(shù)

損失函數(shù)又稱為目標(biāo)函數(shù)，用于衡量模型預(yù)測(cè)結(jié)果與實(shí)際值的偏差，同時(shí)在反向傳播中也發(fā)揮了重要作用。由于中醫(yī)電子病歷依存關(guān)系挖掘算法同時(shí)完成判斷關(guān)系存在和關(guān)系種類兩個(gè)任務(wù)，故損失函數(shù)的輸出是綜合兩種預(yù)測(cè)任務(wù)的結(jié)果，進(jìn)而同時(shí)優(yōu)化兩個(gè)任務(wù)模型。

3 實(shí)驗(yàn)結(jié)果與分析

本文算法主要針對(duì)語言描述半文言半白話、術(shù)語使用個(gè)性化的名老中醫(yī)電子病歷進(jìn)行實(shí)體抽取，實(shí)驗(yàn)數(shù)據(jù)使用某中醫(yī)院真實(shí)的名老中醫(yī)治療兒童哮喘的電子病歷，數(shù)據(jù)集包含近年來約2 000 份電子病歷，每份電子病歷為患者一次門診的全部記錄，刪除部分信息不全和書寫不規(guī)范的電子病歷，剩余1 652 份電子病歷用于實(shí)驗(yàn)測(cè)試。

3.1 命名體識(shí)別結(jié)果

在命名實(shí)體識(shí)別算法實(shí)驗(yàn)中，分別測(cè)試BiLSTM+CRF、自注意力機(jī)制+CRF、BiLSTM+自注意力機(jī)制+CRF 3 種模型的性能，圖例分別為blstm-crf、attention-crf、attentionblstm-crf，從準(zhǔn)確率、損失值、召回率3 個(gè)方面進(jìn)行比較。

圖3 和圖4 給出了兒科哮喘數(shù)據(jù)集在3 種不同命名體識(shí)別模型結(jié)構(gòu)下訓(xùn)練的準(zhǔn)確率和損失值變化。可以看出，BiLSTM+自注意力機(jī)制+CRF 模型在訓(xùn)練時(shí)的收斂速度較快，在訓(xùn)練批次為1～3 之間時(shí)，該模型優(yōu)化速度最快，從第4批次開始性能緩慢提升。最終，BiLSTM+自注意力機(jī)制+CRF 與BiLSTM+CRF 兩種模型的準(zhǔn)確率較高。

Fig.3 Results of accuracy圖3 準(zhǔn)確率結(jié)果

Fig.4 Results of loss圖4 損失值結(jié)果

準(zhǔn)確率并不能完全體現(xiàn)模型優(yōu)劣，還需要評(píng)價(jià)模型對(duì)各種標(biāo)簽的識(shí)別能力。表2 為3 種模型的召回率結(jié)果，測(cè)試數(shù)據(jù)集的實(shí)體類型包含病癥、表現(xiàn)、機(jī)構(gòu)、藥物、其他5類。可以看出，雖然BiLSTM+CRF 模型的準(zhǔn)確率最高，但在測(cè)試數(shù)據(jù)上，其對(duì)各類標(biāo)簽的預(yù)測(cè)準(zhǔn)確率不高，尤其是對(duì)機(jī)構(gòu)和藥物的預(yù)測(cè)準(zhǔn)確率較低，無法滿足實(shí)際應(yīng)用需求。主要原因在于，BiLSTM+CRF 模型相較于BiLSTM+自注意力機(jī)制+CRF 模型更為簡(jiǎn)單，訓(xùn)練過程中更容易收斂，且在實(shí)驗(yàn)中出現(xiàn)了過擬合現(xiàn)象。BiLSTM 在命名實(shí)體等序列標(biāo)注問題中表現(xiàn)良好，這是由于改進(jìn)的RNN 可以很好地挖掘文本中的位置信息。盡管在自注意力機(jī)制加入了位置編碼，但結(jié)果仍然遜于BiLSTM，這是由于自注意力機(jī)制難以挖掘位置信息，進(jìn)而證明了在命名體識(shí)別任務(wù)中，文本位置信息十分重要。

Table 2 Results of recall表2 召回率結(jié)果

3.2 依存關(guān)系挖掘結(jié)果

在依存挖掘算法實(shí)驗(yàn)中，分別使用BiLSTM+多層感知器+輸出函數(shù)2、BiLSTM+輸出函數(shù)1、BiLSTM+多層感知機(jī)+輸出函數(shù)1 三種模型進(jìn)行測(cè)試，對(duì)其準(zhǔn)確率、召回率和F值進(jìn)行比較，3 種模型的圖例分別為blstm+mlp+out2、blstm+out1、blstm+mlp+out1，其中輸出函數(shù)1 與2 分別為依存關(guān)系挖掘部分的求和法和求積法輸出函數(shù)。

圖5 和圖6 為3 種模型在不同訓(xùn)練批次的召回率和F值。可以看出，在早期幾輪訓(xùn)練中，3 種模型的召回率與F值就已經(jīng)達(dá)到較佳水平，但這并不代表此時(shí)模型的性能較好。這是由于對(duì)于訓(xùn)練數(shù)據(jù)集中的一個(gè)句子來說，需要計(jì)算的依存關(guān)系數(shù)量往往很少，數(shù)據(jù)中存在大量空依存關(guān)系，模型雖然能預(yù)測(cè)出空依存關(guān)系，但卻無法準(zhǔn)確預(yù)測(cè)其他更有價(jià)值的依存關(guān)系。

Fig.5 Results of recall圖5 召回率結(jié)果

Fig.6 Results of F1圖6 F1 值結(jié)果

為避免空依存關(guān)系對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生影響，圖7 列出了排除空依存關(guān)系后，模型預(yù)測(cè)準(zhǔn)確率隨訓(xùn)練批次的變化情況。可以看出，BiLSTM+輸出函數(shù)1 模型雖然召回率、F 值和準(zhǔn)確率均最高，但受空依存關(guān)系的影響最大，本文建立的BiLSTM+多層感知機(jī)+輸出函數(shù)1 模型在召回率、F 值和準(zhǔn)確率方面與BiLSTM+輸出函數(shù)1 模型接近，但其受空依存關(guān)系影響較小。

4 結(jié)語

Fig.7 Results of accuracy except for null relationship圖7 排除空依存關(guān)系的準(zhǔn)確率結(jié)果

針對(duì)中醫(yī)電子病歷的語言特征與語義分析需求，本文提出一種高效的實(shí)體抽取算法，通過基于BiLSTM+自注意力機(jī)制+CRF 的命名實(shí)體識(shí)別模型和基于BiLSTM+多層感知器的實(shí)體間依存關(guān)系挖掘模型識(shí)別語義信息，在真實(shí)的中醫(yī)電子病歷中取得了較高的識(shí)別精度。該算法可將中醫(yī)電子病歷分析研究從基于關(guān)鍵詞的模式提升至基于語義內(nèi)容的模式，但由于名老中醫(yī)電子病歷的獲取難度較高，目前測(cè)試數(shù)據(jù)量相對(duì)較少，后續(xù)將會(huì)收集更多醫(yī)生、更多科室的電子病歷信息，以便對(duì)本文算法進(jìn)行更深入的測(cè)試與優(yōu)化。