论文部分内容阅读
研究目的基于针刺临床基础研究文献,构建人工标注数据集,使用计算机自然语言处理中的命名实体识别技术,探索适合针刺临床基础研究文献信息抽取和结构化处理的方法,为针刺临床基础研究文献的大规模结构化处理奠定基础,解决人工建立针刺临床基础研究文献数据库过程中存在的耗时、耗力、信息遗漏、归类错误的问题,提升数据库的规范性。研究内容与方法1.针刺临床基础研究文献人工标注数据集的构建使用文献调研、专家咨询的方法确定数据集中需要人工标注的实体类型,在此基础上,对2020年针刺临床基础研究文献进行人工标注,生成针刺临床基础研究文献人工标注数据集,为信息抽取模型的训练提供语料。2.基于深度学习的针刺临床基础研究文献实体抽取模型的构建及结果规范化通过对针刺临床基础研究文献实体识别难点和中医文本命名实体识别的方法分析,研制四种命名实体抽取模型,通过四种模型的实验比较分析,选取适合针刺临床基础研究文献实体抽取的模型,并提取往年针刺临床基础研究文献中的术语,构建穴位、疾病、效应同异名词库,进行抽取结果的规范化处理。3.针刺临床基础研究文献结构化处理系统的设计与实现以研究内容二选取的模型为实体抽取模型,从总体架构、技术架构和系统功能三方面对针刺临床基础研究文献结构化系统进行设计,系统设计成功后对文献进行抽取,将抽取结果与数据库中人工抽取的结果进行对比,检验研究内容二中模型的准确性。研究结果1.明确了人工标注实体,构建了针刺临床基础研究文献数据集(1)针刺临床基础研究文献人工标注实体类型共有5大类、25种实体,分别为:针刺治疗实体大类,包括针刺部位、刺法、针法、留针时间、疗程、频次、配穴、配穴对应证候、配穴对应症状;电针治疗实体大类,包括电针仪、电针频率、电针波形;疾病实体大类,包括疾病名称、病例来源、诊断标准、纳入标准、排除标准;实验效应实体大类,包括效应、效应变化;研究方法实体大类研究方法、总样本量、治疗组样本量、统计方法、年龄分组、性别分组。(2)构建了472篇带实体标签的针刺临床基础研究文献文本人工标注数据集,共标注9121条实体信息,其中针刺治疗相关实体2971个,电针治疗相关实体486个,疾病相关实体2190个,研究方法相关实体2759个,实验效应相关实体715个。2.构建了针刺临床基础研究文献实体抽取模型及术语词库(1)在以上标注数据集上的实验表明,长短期记忆神经网络(Long short-term memory networks,LSTM)的P值(精确率,Precision)、R值(召回率,Recall)、F1值(F1-score)分别为34.94%、30.38%、30.59%,双向长短期记忆神经网络(Bi-directional long short-term memory networks,Bi LSTM)在P、R、F1值上的结果分别为45.22%、37.17%、37.07%,双向长短期记忆神经网络和条件随机场(Bi-directional long short-term memory networks-conditional random fields,Bi LSTM-CRF)在P、R、F1值上的结果分别为54.99%、55.56%、54.16%,融合了基于转换器的双向编码表征(Bidirectional encoder representations from transformers,BERT)预训练模型的BERT-Bi LSTM-CRF在P、R、F1值上的结果分别为51.81%、48.87%、49.01%。通过比较分析可见,在四个模型中,Bi LSTM-CRF模型的三个指标均达到最高,因此,选取Bi LSTM-CRF模型作为针刺临床基础研究文献的实体抽取模型。(2)从2854篇针刺临床基础研究文献中人工提取出原始疾病名称2121个、针刺穴位17454个、效应5224个;查重后获得882个疾病名称、1216个针刺穴位、2044个针刺效应,作为异名纳入术语词库;规范后获得标准疾病名称498个、针刺穴位592个、效应1068个。将异名和标准名一一对应,构成针刺临床基础研究文献穴位、疾病、效应术语词库,可以用于针刺部位、配穴、疾病名称、效应的抽取结果规范化。3.设计了针刺临床基础研究文献结构化处理系统并进行验证(1)设计了针刺临床基础研究文献结构化处理系统,系统支持文献导入、建立标签、数据标注、生成标注集、计算机自动抽取、人工校对、数据导出、抽取结果再训练等功能,能够实现在无专业编程人员帮助的情况下,进行针刺临床基础研究文献的结构化处理。(2)针刺临床基础研究文献结构化处理系统在随机选取的228篇针刺临床基础研究文献上识别的整体准确率为67.89%,识别出人工抽取时遗漏或归类错误的实体182个。从实体类别看,准确率最高的前三种实体为统计方法、排除标准、电针波形,分别为94.09%、91.85%、83.33%,准确率最低的三种实体为配穴对应症状、疾病名称、治疗组样本量,分别为50.00%、50.68%、52.43%。从文献出版时间来看,2005年文献准确率最低,为60.87%,2018年文献准确率最高,为85.68%。研究结论本研究明确了符合针刺临床基础研究文献特点的实体类型,构建了针刺临床基础研究文献人工标注训练集,基于深度学习模型Bi LSTM-CRF设计了针刺临床基础研究文献结构化处理系统,系统具有人工标注、自动识别、人工校对的功能,并且能够使用构建的针刺临床基础研究文献疾病、穴位、效应术语词库,输出规范后的抽取结果,解决了人工抽取耗时、耗力、实体遗漏、数据不规范的问题,为针刺临床基础研究文献的大规模结构化处理提供了可能性。