研究基于醫(yī)療大數(shù)據(jù)的數(shù)據(jù)處理與知識(shí)發(fā)現(xiàn)方法，提升對(duì)海量臨床文本的處理與利用能力。以臨床文本數(shù)據(jù)為主要研究對(duì)象，圍繞數(shù)據(jù)準(zhǔn)備、文本挖掘、評(píng)估反饋的全流程，從知識(shí)發(fā)現(xiàn)生命周期、文本處理流程以及關(guān)鍵技術(shù)等方面，研究基于醫(yī)療大數(shù)據(jù)的數(shù)據(jù)處理與知識(shí)發(fā)現(xiàn)方法?；卺t(yī)療大數(shù)據(jù)的臨床知識(shí)發(fā)現(xiàn)具有數(shù)據(jù)處理、文本挖掘和評(píng)價(jià)反饋的生命周期，語(yǔ)義標(biāo)注是臨床文本知識(shí)關(guān)聯(lián)化的重要環(huán)節(jié)?；卺t(yī)療大數(shù)據(jù)的臨床文本處理與知識(shí)發(fā)現(xiàn)有助于促進(jìn)健康醫(yī)療服務(wù)與創(chuàng)新。
隨著科技的飛速發(fā)展，國(guó)民生活水平日益提高，健康已經(jīng)成為當(dāng)前人們最關(guān)心最直接最現(xiàn)實(shí)的主要利益問題之一。以健康為導(dǎo)向，積極發(fā)展和應(yīng)用醫(yī)療大數(shù)據(jù)已成為世界各國(guó)的重要共識(shí)。目前，醫(yī)療大數(shù)據(jù)已經(jīng)成為我國(guó)信息化建設(shè)及戰(zhàn)略資源的重要內(nèi)容。
醫(yī)療大數(shù)據(jù)一方面為醫(yī)學(xué)研究和臨床實(shí)踐提供了豐富的基礎(chǔ)數(shù)據(jù)資源，另一方面信息過載又導(dǎo)致現(xiàn)有的研究和實(shí)踐工作淹沒于大數(shù)據(jù)的洪流之中，為臨床知識(shí)的獲取與利用帶來了挑戰(zhàn)。如何通過對(duì)醫(yī)療大數(shù)據(jù)的深度挖掘、科學(xué)組織和有效管理，實(shí)現(xiàn)醫(yī)學(xué)信息與知識(shí)的充分利用和共享，提高醫(yī)學(xué)決策與管理的效率和質(zhì)量，是當(dāng)前醫(yī)學(xué)信息學(xué)面臨的重要任務(wù)。醫(yī)療大數(shù)據(jù)可以分為三類：結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)。其中，非結(jié)構(gòu)化的臨床文本是醫(yī)療活動(dòng)過程中產(chǎn)生的一類重要的信息資源，也是醫(yī)療大數(shù)據(jù)的重要組成部分。臨床數(shù)據(jù)具有多模態(tài)、不完整、冗余和隱私性等特點(diǎn)，且由于表達(dá)方式的自由性，臨床文本缺乏統(tǒng)一的結(jié)構(gòu)框架，表現(xiàn)出語(yǔ)法結(jié)構(gòu)不完整、包含大量醫(yī)療行業(yè)習(xí)慣用語(yǔ)以及語(yǔ)義模糊等特征，增加了數(shù)據(jù)處理與分析的復(fù)雜度，難以直接進(jìn)行高效的數(shù)據(jù)挖掘，從而影響知識(shí)發(fā)現(xiàn)的效率與質(zhì)量。本文以臨床文本數(shù)據(jù)為主要研究對(duì)象，重點(diǎn)從知識(shí)發(fā)現(xiàn)生命周期、文本處理流程和關(guān)鍵技術(shù)等方面，研究基于醫(yī)療大數(shù)據(jù)的臨床文本處理與知識(shí)發(fā)現(xiàn)的方法。基于醫(yī)療大數(shù)據(jù)的臨床文本處理與知識(shí)發(fā)現(xiàn)總體框架如圖1所示。首先從臨床文本庫(kù)中提取原始數(shù)據(jù)，經(jīng)過數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)歸約以及隱私保護(hù)等預(yù)處理操作，形成文本挖掘的目標(biāo)數(shù)據(jù)；文本挖掘包括文本處理和信息抽取兩個(gè)主要環(huán)節(jié)；文本挖掘的結(jié)果需要通過評(píng)估反饋實(shí)現(xiàn)迭代優(yōu)化；知識(shí)發(fā)現(xiàn)的成果面向?qū)嶋H應(yīng)用。數(shù)據(jù)準(zhǔn)備、文本挖掘、評(píng)估反饋形成了知識(shí)發(fā)現(xiàn)的全生命周期。圖1 臨床文本處理與知識(shí)發(fā)現(xiàn)數(shù)據(jù)提取 知識(shí)發(fā)現(xiàn)的首要步驟是基于相關(guān)的先驗(yàn)知識(shí)和應(yīng)用目標(biāo)對(duì)問題進(jìn)行定義，以確定文本處理與知識(shí)發(fā)現(xiàn)的目標(biāo)。在此基礎(chǔ)上，結(jié)合知識(shí)應(yīng)用的實(shí)際需求，從醫(yī)療信息系統(tǒng)的各種臨床數(shù)據(jù)庫(kù)中選擇與臨床文本分析任務(wù)相關(guān)的數(shù)據(jù)，經(jīng)過數(shù)據(jù)提取后，創(chuàng)建形成知識(shí)發(fā)現(xiàn)任務(wù)的原始目標(biāo)數(shù)據(jù)集。預(yù)處理 醫(yī)療大數(shù)據(jù)由多種異構(gòu)數(shù)據(jù)源組成，來自醫(yī)院信息系統(tǒng)的原始數(shù)據(jù)具有數(shù)據(jù)多樣、不完整、冗余、包含敏感信息等復(fù)雜特征，難以對(duì)其直接分析處理和挖掘。因此，必須對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，以確保數(shù)據(jù)的準(zhǔn)確性、完整性、一致性和隱私性。經(jīng)過預(yù)處理的數(shù)據(jù)的質(zhì)量將關(guān)系到知識(shí)發(fā)現(xiàn)的結(jié)果，高質(zhì)量的數(shù)據(jù)更有可能帶來高質(zhì)量的結(jié)果，需要合理選擇預(yù)處理的方法策略。據(jù)統(tǒng)計(jì)，在整個(gè)數(shù)據(jù)處理過程中，預(yù)處理階段的工作量超過60％。文本處理 為了便于從醫(yī)療文本中實(shí)現(xiàn)對(duì)信息的抽取，需要基于自然語(yǔ)言處理的方法對(duì)非結(jié)構(gòu)化的醫(yī)療文本進(jìn)行處理。由于中文表達(dá)中的詞與詞之間沒有如英文那樣有空格標(biāo)識(shí)，且目前機(jī)器學(xué)習(xí)處于有監(jiān)督的學(xué)習(xí)階段，呈現(xiàn)逐漸向無(wú)監(jiān)督學(xué)習(xí)發(fā)展的趨勢(shì)，而基于監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)方法的信息抽取均需要標(biāo)注語(yǔ)料的支持，因此，分詞和標(biāo)注是醫(yī)療文本處理的兩項(xiàng)首要任務(wù)。信息抽取 信息抽取是自然語(yǔ)言處理的一項(xiàng)重要任務(wù)，其目的在于對(duì)自然語(yǔ)言文本進(jìn)行分析，以提取結(jié)構(gòu)化的有用信息。醫(yī)療文本中包含有大量的醫(yī)療實(shí)體（如：疾病、治療、檢查、癥狀）及其之間豐富的語(yǔ)義關(guān)系（如：治療改善了疾病、治療惡化了癥狀、檢查證實(shí)了疾病、癥狀表明了疾?。?。命名實(shí)體識(shí)別和關(guān)系抽取是臨床文本信息抽取的兩項(xiàng)重要任務(wù)。性能評(píng)估 需要選擇特定的度量參數(shù)，在數(shù)據(jù)挖掘之后，通過實(shí)驗(yàn)和測(cè)試來評(píng)估模型的性能。與此同時(shí)，預(yù)先選取的度量參數(shù)可用于指導(dǎo)和約束知識(shí)發(fā)現(xiàn)過程。交互迭代 知識(shí)發(fā)現(xiàn)是一個(gè)反復(fù)迭代的過程。對(duì)于數(shù)據(jù)挖掘所得到的模式和知識(shí)，需要通過持續(xù)的分析、反饋與糾正實(shí)現(xiàn)進(jìn)一步優(yōu)化，從而獲得相對(duì)理想的知識(shí)模型。例如，基于數(shù)據(jù)挖掘的結(jié)果，分析是否需要從內(nèi)外部數(shù)據(jù)源獲取更多的數(shù)據(jù)，或者需要重新對(duì)數(shù)據(jù)進(jìn)行處理。知識(shí)表示 利用標(biāo)簽云、熱力圖、樹狀圖等可視化技術(shù)直觀展示所發(fā)現(xiàn)的知識(shí)，基于關(guān)聯(lián)關(guān)系和時(shí)間序列還可實(shí)現(xiàn)患者畫像。知識(shí)發(fā)現(xiàn)的結(jié)果可用于病歷檢索、疾病預(yù)測(cè)、藥物發(fā)現(xiàn)、臨床輔助決策、智能問答、精準(zhǔn)醫(yī)療以及臨床教學(xué)等醫(yī)學(xué)應(yīng)用。數(shù)據(jù)清洗 數(shù)據(jù)清洗包括填補(bǔ)空缺值、平滑噪聲數(shù)據(jù)和糾正不一致數(shù)據(jù)來改善數(shù)據(jù)質(zhì)量等任務(wù)。由于人工填補(bǔ)數(shù)據(jù)工作量大且可行性差，可采用貝葉斯和決策樹等機(jī)器學(xué)習(xí)方法來預(yù)測(cè)最佳默認(rèn)值。對(duì)于數(shù)據(jù)源中的異常屬性值，可采用分箱、回歸、聚類等平滑噪聲數(shù)據(jù)處理方法。數(shù)據(jù)的不一致性可通過數(shù)據(jù)之間的相關(guān)性分析來糾正。數(shù)據(jù)集成 數(shù)據(jù)集成的作用在于將多來源的臨床文本數(shù)據(jù)集成至統(tǒng)一的數(shù)據(jù)存儲(chǔ)中，提高數(shù)據(jù)挖掘的準(zhǔn)確性和速度。數(shù)據(jù)集成需要解決異構(gòu)數(shù)據(jù)集成時(shí)的表達(dá)不一致和冗余數(shù)據(jù)問題，可通過相關(guān)分析來檢測(cè)，卡方檢驗(yàn)是常用的分析方法。數(shù)據(jù)轉(zhuǎn)換 數(shù)據(jù)轉(zhuǎn)換的作用在于將原始數(shù)據(jù)轉(zhuǎn)換成適合于數(shù)據(jù)挖掘的統(tǒng)一形式。數(shù)據(jù)轉(zhuǎn)換方法包括平滑噪聲、數(shù)據(jù)聚合和數(shù)據(jù)規(guī)范化。其中，常用的規(guī)范化方法有最小-最大規(guī)范化、零-均值規(guī)范化和小數(shù)定標(biāo)規(guī)范化。數(shù)據(jù)歸約 基于醫(yī)療大數(shù)據(jù)的文本處理，需要在確保數(shù)據(jù)完整性的前提下，通過數(shù)據(jù)歸約可獲得精簡(jiǎn)的數(shù)據(jù)集合，提高數(shù)據(jù)挖掘的效率。數(shù)據(jù)歸約可采用數(shù)據(jù)立方體聚集、維度歸約、數(shù)值歸約和數(shù)據(jù)壓縮等方法。其中，維度歸約通過去除數(shù)據(jù)集中的無(wú)關(guān)變量或?qū)傩?，可有效控制?shù)據(jù)處理的數(shù)量，主要技術(shù)包括小波變換、主成分分析等。隱私保護(hù) 我國(guó)于2011年印發(fā)了《電子病歷系統(tǒng)功能規(guī)范（試行）》，明確了在電子病歷過程使用過程中需進(jìn)行隱私保護(hù)。醫(yī)療大數(shù)據(jù)的隱私保護(hù)所涉及的技術(shù)問題包括數(shù)據(jù)加密、隱私匿名處理和訪問控制等，常用的算法有K-Anonymity、L-Diversity、T-Closeness、差分隱私、同態(tài)加密、零知識(shí)證明等。中文分詞 目前分詞技術(shù)較為成熟，開源的中文分詞系統(tǒng)包括有NLPIR、Jieba、THULAC、LTP、Stanford CoreNLP等。然而，醫(yī)療文本在語(yǔ)言表達(dá)方面具有獨(dú)特性，例如，精煉的語(yǔ)句表達(dá)要求使得其語(yǔ)法成分不完整，存在大量醫(yī)學(xué)術(shù)語(yǔ)、數(shù)學(xué)符號(hào)和英文縮寫等。針對(duì)專業(yè)性要求較強(qiáng)的醫(yī)療領(lǐng)域，需要基于先驗(yàn)知識(shí)、權(quán)威詞典、語(yǔ)料庫(kù)來提高分詞的效果。文本標(biāo)注 醫(yī)療文本的標(biāo)注需要有標(biāo)注規(guī)范的指導(dǎo)，例如，i2b2 2010的標(biāo)注規(guī)范包括有醫(yī)療實(shí)體類型、實(shí)體間關(guān)系以及修飾類型。語(yǔ)料的標(biāo)注的模式包括傳統(tǒng)模式、眾包模式和團(tuán)體模式，均離不開人工的參與，而人工標(biāo)注是一項(xiàng)耗時(shí)耗力的工作，特別是對(duì)于醫(yī)療領(lǐng)域，需要有較強(qiáng)專業(yè)背景知識(shí)的專家指導(dǎo)標(biāo)注?；谏倭咳斯?biāo)注數(shù)據(jù)實(shí)現(xiàn)機(jī)器自動(dòng)標(biāo)注是一種可取的方法，可有效節(jié)約標(biāo)注成本并提高標(biāo)注效率。標(biāo)注的效果可通過F值和Kappa值等評(píng)價(jià)指標(biāo)來對(duì)標(biāo)注的一致性進(jìn)行評(píng)估。命名實(shí)體識(shí)別 命名實(shí)體識(shí)別是信息提取的重要組成部分，也是醫(yī)療文本挖掘的基礎(chǔ)。命名實(shí)體識(shí)別方法主要有基于詞典的方法、基于規(guī)則的方法和基于機(jī)器學(xué)習(xí)的方法。醫(yī)療數(shù)據(jù)包含大量的醫(yī)學(xué)術(shù)語(yǔ)，詞典是醫(yī)學(xué)知識(shí)發(fā)現(xiàn)所需的重要資源，基于詞典和規(guī)則的方法適用于規(guī)律性較強(qiáng)的簡(jiǎn)單任務(wù)，單純的基于詞典和規(guī)則的方法難以應(yīng)對(duì)復(fù)雜語(yǔ)言的處理要求。基于統(tǒng)計(jì)機(jī)器學(xué)習(xí)的方法具有較好的健壯性，其中，條件隨機(jī)場(chǎng)（Conditional Random Field，CRF）模型在基于機(jī)器學(xué)習(xí)方法中得到廣泛應(yīng)用。隨著機(jī)器學(xué)習(xí)的發(fā)展，基于CNN、RNN、LSTM等模型的深度學(xué)習(xí)方法備受關(guān)注，該方法同時(shí)具備良好的非線性函數(shù)擬合能力和強(qiáng)大的序列建模能力。關(guān)系抽取 關(guān)系抽取的方法主要有基于共現(xiàn)的方法、基于模式匹配的方法以及基于機(jī)器學(xué)習(xí)的方法?；诠铂F(xiàn)方法的基本思想是當(dāng)兩個(gè)實(shí)體出現(xiàn)在同一個(gè)句子中時(shí)，則這兩個(gè)實(shí)體之間存在關(guān)聯(lián)，且共現(xiàn)的頻率越高，則關(guān)系越強(qiáng)?；谀Ｊ狡ヅ涞姆椒ㄐ枰谡Z(yǔ)言學(xué)知識(shí)預(yù)先構(gòu)造模式集合，再將經(jīng)過處理后的醫(yī)療文本與之匹配進(jìn)行關(guān)系抽取。對(duì)于基于機(jī)器學(xué)習(xí)的關(guān)系抽取方法，其中監(jiān)督學(xué)習(xí)方法的基本思路是將醫(yī)療關(guān)系抽取視為分類問題，半監(jiān)督學(xué)習(xí)方法主要通過基于少量標(biāo)注語(yǔ)料來抽取關(guān)系，無(wú)監(jiān)督的方法則主要基于上下文信息對(duì)語(yǔ)義關(guān)系進(jìn)行聚類，該方法存在一定的盲目性，其性能有待提升。性能評(píng)估 在自然語(yǔ)言處理中，通常采用準(zhǔn)確率、精準(zhǔn)率、召回率和F值作為方法性能的評(píng)估指標(biāo)。對(duì)于面向臨床文本數(shù)據(jù)的分類任務(wù)，評(píng)估指標(biāo)還包括受試者工作特征曲線（Receiver Operating Characteristic Curve，ROC）和曲線下面積（Area Under Curve，AUC）。ROC曲線能夠全面地展示分類器在不同閾值下的分類性能，縱坐標(biāo)為真陽(yáng)率（True Positive Rate，TPR），表示真實(shí)的正例中被預(yù)測(cè)正確的比例，橫坐標(biāo)為假陽(yáng)率（False Positive Rate，F(xiàn)PR），表示真實(shí)的反例中被預(yù)測(cè)正確的比例。如果分類算法的ROC曲線越靠近坐標(biāo)平面的左上角，則說明該算法的分類效果越好。為了對(duì)分類性能進(jìn)行更好地定量分析，可以采用ROC曲線下的面積AUC來對(duì)分類性能進(jìn)行評(píng)估，分類算法的AUC值越接近于1，表明該算法的預(yù)測(cè)效果越理想。醫(yī)療大數(shù)據(jù)包含有大量有價(jià)值的醫(yī)療信息，蘊(yùn)含了與人類生命和健康密切相關(guān)的豐富知識(shí)，亟待挖掘與發(fā)現(xiàn)。為提升對(duì)海量臨床文本的處理與利用能力，本文以臨床文本數(shù)據(jù)為主要研究對(duì)象，從知識(shí)發(fā)現(xiàn)生命周期、文本處理流程以及關(guān)鍵技術(shù)等方面，研究基于醫(yī)療大數(shù)據(jù)的數(shù)據(jù)處理與知識(shí)發(fā)現(xiàn)方法?；卺t(yī)療大數(shù)據(jù)的臨床文本處理與知識(shí)發(fā)現(xiàn)具有數(shù)據(jù)準(zhǔn)備、文本挖掘、評(píng)估反饋的全生命周期，所提出的方法為后續(xù)臨床知識(shí)應(yīng)用研究與實(shí)踐提供指導(dǎo)。
文章來源：胡佳慧,趙琬清,方安,任慧玲. 基于醫(yī)療大數(shù)據(jù)的臨床文本處理與知識(shí)發(fā)現(xiàn)方法研究[J]. 中國(guó)數(shù)字醫(yī)學(xué),2020,15(7):11-13,88.
