[发明专利]用于识别自然语言的医疗文本中的医疗实体的方法和装置

说明书

本发明的实施例提供一种用于识别自然语言的医疗文本中的医疗实体的方法和装置。在该方法中，将医疗文本分成多个词语。对于多个词语中的每一个词语，确定该词语的局部标注特征和全局标注特征，其中，局部标注特征包括该词语，全局标注特征包括该词语与已识别医疗实体的关系。接着，基于该词语的局部标注特征和全局标注特征，从多个候选标签中确定该词语的标签。如果该词语的标签指示识别医疗实体，则确定在该词语的标签之前的指示对应词语能够成为医疗实体的一部分的各个标签的组合。然后，将标签的组合所对应的词语的组合识别为医疗实体。

技术领域

本发明涉及医疗实体识别的技术领域，具体地，涉及用于识别自然语言的医疗文本中的医疗实体的方法和装置。

背景技术

随着医疗信息技术的发展，出现了大量可用的电子健康档案文本(例如电子病历和体检报告等)。这些文本能够支持临床决策系统。然而，由于电子健康档案文本大部分由自然语言构成，电子健康档案文本中的有用信息无法被依赖于结构化数据的临床决策系统直接使用。为充分利用电子健康档案文本，能够从自然语言中抽取结构化数据的自然语言处理技术在临床医学领域受到了广泛关注。作为临床自然语言处理的一项基本任务，医疗实体识别一直备受医学界关注。医疗实体类别通常包含药物、问题(包括疾病和症状)、检查和治疗。医疗实体包括连续医疗实体(由连续词语组成的医疗实体)和非连续医疗实体(由非连续词语组成的医疗实体)。

发明内容

本文中描述的实施例提供了一种用于识别自然语言的医疗文本中的医疗实体的方法和装置。该方法和装置能够更准确地识别自然语言的医疗文本中的连续医疗实体和非连续医疗实体。

根据本发明的第一方面，提供了一种用于识别自然语言的医疗文本中的医疗实体的方法。在该方法中，将医疗文本分成多个词语。对于多个词语中的每一个词语，确定该词语的局部标注特征和全局标注特征，其中，局部标注特征包括该词语，全局标注特征包括该词语与已识别医疗实体的关系。接着，基于该词语的局部标注特征和全局标注特征，从多个候选标签中确定该词语的标签。如果该词语的标签指示识别医疗实体，则确定在该词语的标签之前的指示对应词语能够成为医疗实体的一部分的各个标签的组合。然后，将标签的组合所对应的词语的组合识别为医疗实体。

在本发明的实施例中，局部标注特征还包括在该词语前后的预定数量的词语。

在本发明的实施例中，局部标注特征还包括该词语的词性以及在该词语前后的预定数量的词语的词性。

在本发明的实施例中，局部标注特征包括：该词语、该词语的前三个词语、该词语的后三个词语、该词语的词性、该词语的前三个词语的词性、该词语的后三个词语的词性。

在本发明的实施例中，全局标注特征还包括在该词语前后的预定数量的词语与已识别医疗实体的关系。

在本发明的实施例中，全局标注特征包括：该词语是否包含在已识别的医疗实体中、该词语的前一个词语是否包含在已识别的医疗实体中、该词语的后一个词语是否包含在已识别的医疗实体中。

在本发明的实施例中，多个候选标签包括：指示词语是医疗实体的共享开始部分的第一标签、指示词语是医疗实体的非共享开始部分的第二标签、指示词语是医疗实体连续的一部分的第三标签、指示词语是非医疗实体并指示识别医疗实体的第四标签以及指示词语是非医疗实体并指示不识别医疗实体的第五标签。

在本发明的实施例中，在基于该词语的局部标注特征和全局标注特征，从多个候选标签中确定该词语的标签的步骤中，基于该词语的局部标注特征和全局标注特征，对于多个候选标签中的每一个计算该候选标签是该词语的标签的概率。然后，将具有最大概率的候选标签确定为该词语的标签。

在本发明的实施例中，该概率使用最大熵模型计算。