[发明专利]基于领域本体的乳腺超声检查报告结构化方法

说明书

本发明涉及一种基于领域本体的乳腺超声检查报告结构化方法，包括以下步骤：对乳腺超声报告进行预处理，得到文本描述块；对得到的文本描述块基于领域本体语义树获取分支子树路径；以自顶向下、广度优先的方式，生成乳腺超声语义子树；将生成的乳腺超声语义子树转化为以表结构存储的结构化数据。本发明提高了分词的准确率，能够为更大规模的医疗数据研究提供服务。

技术领域

本发明涉及医疗文本结构化技术领域，特别是涉及一种基于领域本体的乳腺超声检查报告结构化方法。

背景技术

随着经济的发展、科技的进步，人们在不断追求物质生活水平提升的同时，因生活压力、工作忙碌等多种因素带来的健康问题也日益显著。对于女性而言，绝经期延后、晚生育、焦虑、不良情绪、高热量及高脂肪饮食等不健康的生活方式、外源性雌激素摄入增多(某些药物、保健品)等生活环境因素，使得乳腺疾病的发病率逐年上升，如乳腺增生、乳腺炎症、乳腺良性肿瘤、乳腺恶性肿瘤等疾病。其中，乳腺癌是全球女性最常见的癌症之一，占所有女性癌症的16％。每年全球新发乳腺癌的病例达到167.1万，死亡率高达52.2万，大多数乳腺癌死亡病例(69％)发生在发展中国家。

近年来，随着人工智能的兴起，深度学习已成为研究热点，许多学者和研究人员将深度学习的方法应用于非结构化医疗文本上，以构建疾病分类模型和预测模型。但是采用深度学习的方法对医疗文本进行处理，相当于在一个黑盒中执行程序，研究人员无法得知黑盒中的具体过程和每一个步骤的实现细节，不利于对文本数据和实验过程的详细分析。随着学者对结构化领域的不断深入研究，他们发现本体(Ontology)作为信息传播和交换的载体，能够清晰地表示概念语义和它们之间的关系，从而使本体驱动系统从非结构化文本中抽取出与模型匹配的数据，最终以本体的形式输出。本体驱动的信息抽取作为一大研究热点，逐渐受到越来越多的关注。

目前，国内外研究人员对医学领域本体进行了深入研究和实践，研究成果越来越丰富。美国国立医学图书馆研发了医学一体化语言系统(Unified Medical LanguageSystem,UMLS)，该系统是医学领域最著名的概念语义模型之一，包含了不同领域的各种命名法和本体论的概要。美国病理学家学会创建了医学系统术语(SystematizedNomenclature of Medicine-Clinical Terms)，该综合性临床术语集覆盖了有关临床医学的重要信息，包括疾病、临床表现、治疗等。在本体驱动的信息抽取的相关研究中，王海涛提出了一种新的基于领域本体的文本知识自动获取方法，实现了半结构化文本的知识自动获取。Gupta等人提出了一种基于解析树和分布式语义结合的混合方法，以无监督方式提取信息。Natalia Viani等人提出了本体驱动的信息抽取方法，以识别意大利语医学报告中的事件和属性。Spasic I等人关注于发现和解剖区域两种概念类型，提出了基于规则的领域本体论。

发明内容

本发明所要解决的技术问题是提供一种基于领域本体的乳腺超声检查报告结构化方法，使其为更大规模的医疗数据研究服务。

本发明解决其技术问题所采用的技术方案是：提供一种基于领域本体的乳腺超声检查报告结构化方法，包括以下步骤：

(1)对乳腺超声报告进行预处理，得到文本描述块；

(2)对得到的文本描述块基于领域本体语义树获取分支子树路径；

(3)以自顶向下、广度优先的方式，生成乳腺超声语义子树；

(4)将生成的乳腺超声语义子树转化为以表结构存储的结构化数据。

所述步骤(1)包括以下子步骤：

(11)构建乳腺医学自定义词典，并使用该自定义词典对乳腺超声报告进行中文分词；

(12)针对乳腺超声报告中的同义词现象，采用Word2Vec模型，使用词向量表征词特征，构建同义词表，用出现频率最高的词替换乳腺超声报告中的其它同义词；