## 医疗文本结构化：一种新视角
AINLP 2022-10-04 21:11 Posted on 江苏
The following article is from KBQA沉思录 Author zhpmatrix
前言：这篇文章中的一些想法在写出来之前，和身边的一群可爱的小伙伴们做了碰撞和讨论，因此也算是共创的结果。
随着对医疗NLP结构化体系构建的推进，我们对体系本身的认识也在不断地进行演化，这篇文章简要探讨我们近期的一些思考，其中有些思考存在不成熟之处，仅抛砖引玉。
（图片引用自百度灵医智惠）
围绕医疗NLP，笔者常说的“一种认知，两种方法论”。“一种认知”是指医疗NLP是以结构化能力为核心的NLP应用方向。“两种方法论”分别是能力和内容协同建设，数据和知识双轮驱动。
回到具体的结构化体系构建，从整体上看，分为能力和内容两个部分。其中，知识图谱作为内容的承载，为能力的构建提供内容支持；能力的输出可以作为知识图谱内容的一部分，同时通过链指实现能力和内容的联动。能力体系也是一个“洋葱”结构，从外到内，分为文书大类，文书小类，段落类别，Span级语义和实体/属性/关系。其中，前四个维度存在国家标准，实体/属性/关系是通过自定义的Schema来描述。
从上图来看，“洋葱”从外到内，粒度越来越细，语义识别能力的要求越来越强。
围绕数据中台，这套能力应该基于标准化的计算和存储引擎，成为一种标准化的能力，产出标准化的数据内容，继而支持上游的各种标准化应用。
针对多层次的结构化体系特点，可以换一种视角来重新观察。假设要回答“入院记录中的现病史的症状实体抽取的评测指标是多少？”，就可以通过建立的三维坐标系，将问题映射为坐标系中的一个具体的点来很容易的回答。通过将Z轴展开，可以继而回答“症状实体类型中“腹泻”这个实体词的“否定”属性的评测指标是多少？”
因此，关键是坐标系的建立。为了建立坐标系，需要梳理坐标系的维度，维度范围，维度值。在坐标系建立之后，就可以基于一个稳定的测试集，实现一套标准的计算口径，得到坐标系中的每个点的具体值。这个观察视角，可以回答非常多的关于结构化能力体系的各种非常具体的问题。
在具体的量化分析过程中，考虑不同模型的不同版本，在测试集上预测和真实标注结果，在各个不同维度上的区别，以此形成的经验性的分析方法，可以通过工具化，使得这种能力能够得以沉淀和复用。这也是由上述观察视角带来的一个很直接的想法。
以百度灵医智惠为例，需要梳理出医学实体类型-属性的具体关系，且这种关系是可枚举的。
病历字段-核心抽取要素/属性的部分梳理结果如下：
最终回到核心能力的构建上，一种可能的方式如下：
每个具体任务的具体解决方案都是相对朴素的，这里不再展开讨论，不过有两个问题需要讨论。
（1）人机协同
理论上，在每个具体的模块，除了机器的解决方案，还需要人工的配置模块。这里的想法是，首先机器或者模型/规则的解决方案无法有效覆盖复杂的医疗文本结构化的所有情况，通过配置接口，可以将人类的经验或者知识带到一套能力体系中去。如果所有的问题解决都依赖于机器，解决的效率或者ROI可能都并非很高，这里包含解决的速度，解决的效果等。
另一方面，配置模块的融入，其实开放了一个接口给到更多的角色，使之也能够参与到整个能力体系的演进迭代中，且这种优化是开放可持续的。
除上之外，人的加入也使得能力体系的进化能够形成闭环，带来“飞轮”效应。
（2）融合策略
这里主要讨论三个小问题，分别是模型和规则的融合，模块配置化，优先级/组合/冲突解决。
模型和规则的融合。模型提供泛化能力，规则提供准确能力。同时规则和模型的融合不会显著提升服务推理的RT。融合的目的是能力互补，需要明确在哪些维度上能够实现互补（层次化的能力互补）。
模块配置化。主要目的是通过可插播，实现灵活配置，提升可扩展的能力。从纵向角度看，单个能力模块内部是可配置的；从横向角度看，不同能力模块是可配置的。
优先级，组合和冲突解决。主要是指单个能力模块内的问题分析和解决。
我们经常思考的一个问题是，医疗NLP的结构化边界或者上限在哪里？或者说，如何做出差异性的优势？
以一段主诉文本的描述“患者头痛3天，伴发烧”为例，从不同的层级来看，我们可以做到如下的输出：
第一部分按照最小粒度识别的原则输出识别结果，这时的输出结果的业务含义较差。通过一次组合，可以输出相对有意义的识别结果，对应的识别的类型发生变化。如果通过二次组合，则会形成新的类型，并不包含进实体类型列表的类型，这里我们定义为“描述”，但是组合之后的结果同样具有有价值的含义。
也就是说通过两次组合操作和定义新的类型，我们可以进一步扩展原始识别结果的表达能力。
另外一个例子是笔者之前的文章中提到的Mendel.ai的工作，给定：
输出如下：
具体的输出不再做分析，主要是指输出要素的语义扩展以及要素层次体系的构建。
除了上述讨论，还有一些有意思的问题还没有深入思考。词块识别和实体识别的一些比较有挑战性的问题，如何有效处理等？
比如特殊类型文书的处理（评分表，检验，护理文书等），如何融合现有的结构化能力体系？
后记：空杯心态，常做常新。医疗文本的结构化看似已经有前辈做了很多探索，但是本着初学者的心态重新审视做的事情，又会有新的思考和发现。想法还有很多，笔者着急为祖国母亲庆生，来不及写了，祝国泰民安。