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制造方法及图纸

本发明专利技术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。

【技术实现步骤摘要】
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
本专利技术涉及医疗实体识别的
，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。
技术介绍
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)。
技术实现思路
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。根据本专利技术的第一方面，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。在本专利技术的实施例中，局部标注特征还包括在该词语前后的预定数量的词语。在本专利技术的实施例中，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。在本专利技术的实施例中，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。在本专利技术的实施例中，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。在本专利技术的实施例中，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。在本专利技术的实施例中，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。在本专利技术的实施例中，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。在本专利技术的实施例中，该概率使用最大熵模型计算。在本专利技术的实施例中，在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的步骤中，针对各个标签中的每一个标签进行下列处理。如果该标签是第一标签，则不组合该标签与该标签的前一标签。如果该标签是第三标签，则组合该标签与该标签的前一个第一标签或第二标签或第三标签。如果该标签是第二标签，则确定该标签对应的词语的组合特征和该标签的前一个第一标签或者第二标签对应的词语的组合特征，其中，组合特征包括对应词语所包含的字。然后基于该标签对应的词语的组合特征和该标签的前一个第一标签或者第二标签对应的词语的组合特征，计算标签组合概率和标签不组合概率。响应于标签组合概率大于标签不组合概率，组合该第二标签与该第二标签的前一个第一标签或者第二标签。响应于标签组合概率不大于标签不组合概率，不组合该第二标签与该第二标签的前一个第一标签或者第二标签。在本专利技术的实施例中，组合特征还包括在对应词语前后的预定数量的词语所包含的字。在本专利技术的实施例中，组合特征包括：对应词语所包含的字、对应词语的前三个词语、对应词语的后三个词语、对应词语的前三个词语所包含的字、对应词语的后三个词语所包含的字。在本专利技术的实施例中，标签组合概率和标签不组合概率使用最大熵模型计算。根据本专利技术的第二方面，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装置。该装置包括至少一个处理器和存储有计算机程序的至少一个存储器。当所述计算机程序由所述至少一个处理器执行时使得所述装置：将医疗文本分成多个词语；对于多个词语中的每一个词语，执行以下操作：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；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；将标签的组合所对应的词语的组合识别为医疗实体。根据本专利技术的第三方面，提供了一种存储有计算机程序的计算机可读存储介质。计算机程序在由处理器执行时实现上述的用于识别自然语言的医疗文本中的医疗实体的方法的步骤。根据本专利技术的实施例的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，在识别自然语言的医疗文本中的医疗实体的过程中，统一考虑标签确定和标签组合的关系，能够提高医疗实体识别的准确率。附图说明为了更清楚地说明本专利技术的实施例的技术方案，下面将对实施例的附图进行简要说明，应当知道，以下描述的附图仅仅涉及本专利技术的一些实施例，而非对本专利技术的限制，其中：图1是根据本专利技术的实施例的用于识别自然语言的医疗文本中的医疗实体的方法的流程图；图2是在图1所示的实施例中的从多个候选标签中确定该词语的标签的过程的示例性流程图；图3是主要针对在图1所示的实施例中的确定标签的组合的过程进行具体描述的示例性流程图；图4是根据本专利技术的实施例的用于识别自然语言的医疗文本中的医疗实体的装置的示意性框图。具体实施方式为了使本专利技术的实施例的目的、技术方案和优点更加清楚，下面将结合附图，对本专利技术的实施例的技术方案进行清楚、完整的描述。显然，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例。基于所描述的本专利技术的实施例，本领域技术人员在无需创造性劳动的前提下所获得的所有其它实施例，也都属于本专利技术保护的范围。除非另外定义，否则在此使用的所有术语(包括技术和科学术语)具有与本专利技术主题所属领域的技术人员所通常理解的相同含义。进一步将理解的是，诸如在通常使用的词典中定义的那些的术语应解释为具有与说明书上下文和相关技术中它们的含义一致的含义，并且将不以理想化或过于正式的形式来解释，除非在此另外明确定义。医疗实体识别方法主要关注连续医疗实体，然而在实际的临床文本中也存在很多非连续医疗实体。例如，“腹部轻微扩张，右上象限感到疼痛”中，“腹部轻微扩张”和“腹部右上象限疼痛”是两个医疗实体。“腹部轻微扩张”是连续医疗实体，而“腹部右上象限疼痛”是非连续医疗实体。本专利技术的实施例以中文医疗文本为例说明医疗实体识别的方法，然而本领域的技术人员应了解，采本文档来自技高网...

【技术保护点】
1.一种用于识别自然语言的医疗文本中的医疗实体的方法，包括：将所述医疗文本分成多个词语；对于所述多个词语中的每一个词语，执行以下操作：确定所述词语的局部标注特征和全局标注特征，其中，所述局部标注特征包括所述词语，所述全局标注特征包括所述词语与已识别医疗实体的关系；基于所述词语的所述局部标注特征和所述全局标注特征，从多个候选标签中确定所述词语的标签；如果所述词语的标签指示识别医疗实体，则确定在所述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；将所述标签的组合所对应的词语的组合识别为医疗实体。

【技术特征摘要】
1.一种用于识别自然语言的医疗文本中的医疗实体的方法，包括：将所述医疗文本分成多个词语；对于所述多个词语中的每一个词语，执行以下操作：确定所述词语的局部标注特征和全局标注特征，其中，所述局部标注特征包括所述词语，所述全局标注特征包括所述词语与已识别医疗实体的关系；基于所述词语的所述局部标注特征和所述全局标注特征，从多个候选标签中确定所述词语的标签；如果所述词语的标签指示识别医疗实体，则确定在所述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；将所述标签的组合所对应的词语的组合识别为医疗实体。2.根据权利要求1所述的方法，其中，所述局部标注特征还包括在所述词语前后的预定数量的词语。3.根据权利要求2所述的方法，其中，所述局部标注特征还包括所述词语的词性以及在所述词语前后的预定数量的词语的词性。4.根据权利要求3所述的方法，其中，所述局部标注特征包括：所述词语、所述词语的前三个词语、所述词语的后三个词语、所述词语的词性、所述词语的前三个词语的词性、所述词语的后三个词语的词性。5.根据权利要求1所述的方法，其中，所述全局标注特征还包括在所述词语前后的预定数量的词语与已识别医疗实体的关系。6.根据权利要求5所述的方法，其中，所述全局标注特征包括：所述词语是否包含在已识别的医疗实体中、所述词语的前一个词语是否包含在已识别的医疗实体中、所述词语的后一个词语是否包含在已识别的医疗实体中。7.根据权利要求1所述的方法，其中，所述多个候选标签包括：指示所述词语是医疗实体的共享开始部分的第一标签、指示所述词语是医疗实体的非共享开始部分的第二标签、指示所述词语是医疗实体连续的一部分的第三标签、指示所述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所述词语是非医疗实体并指示不识别医疗实体的第五标签。8.根据权利要求1至7任意一项所述的方法，其中，基于所述词语的所述局部标注特征和所述全局标注特征，从多个候选标签中确定所述词语的标签包括：基于所述词语的所述局部标注特征和所述全局标注特征，对于所述多个候选标签中的每一个计算该候选标签是所述词语的标签的概率；以及将具有最大概率的候选标签确定为所述词语的标签。9.根据权利要求8所述的方法，其中，所述概率使用最大熵模型计算。10.根据权利要求7所述的方法，其中，确定在所述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包括：针对所述各个标签中的每一个标签：如果所述标签是所述第一标签，则不组合所述标签与所述标签的前一标签；如果所述标签是所述第三标签，则组合所述标签与所述标签的前一个第一标签或第二标签或第三标签；如果所述标签是所述第二标签，则：确定所述标签对应的词语的组合特征和所述标签的前一个第一标签或者第二标签对应的词语的组合特征，其中，所述组合特征包括对应词语所包含的字；基于所述标签对应的词语的组合特征和所述标签的前一个第一标签或者第二标签对应的词语的组合特征，计算标签组合概率和标签不组合概率；响应于所述标签组合概率大于标签不组合概率，组合所述第二标签与所述第二标签的前一个第一标签或者第二标签；以及响应于所述标签组合概率不大于标签不组合概率，不组合所述第二标签与所述第二标签的前一个第一标签或者第二标签。11.根据权利要求10所述的方法，其中，所述组合特征还包括在对应词语前后的预定数量的词语所包含的字。12.根据权利要求11所述的方法，其中，所述组合特征包括：对应词语所包含的字、对应词语的前三个词语、对应词语的后三个词语、对应词语的前三个词语所包含的字、对应词语的后三个词语所包含的字。13.根据权利要求10所述的方法，其中，所述标签组合概率和标签不组合概率使用最大熵模型计算。14.一种用于识别自然语言的医疗文本中的医疗实体的装置，包括：至少一个处理器；以及存储有计算机程序的至少一个存储器；其中，当所述计算机程序由所述至少一个处理器执行时使得所述装置：将所述医疗文本分成多个词语；对于所述多个词语中的...

【专利技术属性】
技术研发人员：张振中，
申请(专利权)人：京东方科技集团股份有限公司，
类型：发明
国别省市：北京,11