阮彤 | 中文医疗健康知识图谱在临床电子病历挖掘中的应用探讨

2017 年 6 月 17 日 开放知识图谱 阮彤

作者介绍

阮彤 - 现任华东理工大学计算机技术研究所所长，自然语言处理与大数据挖掘实验室主任，专注于自然语言处理、知识图谱方面的研究，承担了多项 863 与科技支撑项目。

以医院电子病历为核心的临床数据记录了病人的疾病、诊断和治疗信息。挖掘此类数据，可以辅助医生了解人口学信息、临床症状、治疗方法和疗效之间的量化关系，帮助病人选择更好的治疗方案，进而提升医疗服务质量，降低医疗成本。

然而，在临床中，大量的医疗文书是以文本形式存在。同时，医生录入缺乏语义规范，同一诊断与治疗方案，不同医生的录入结果会不同。因此，在挖掘之前，需要对数据进行结构化与规范化。在这个过程中，医疗健康知识图谱是不可或缺的一部分。另外，病历数据处理和使用过程中，通过病历数据与健康图谱的关联挖掘，可以获得更为隐含的、深刻的信息。为处理方便，整体用知识图谱表示与关联，会更为方便有效。

一、知识图谱用于医疗文本的结构化与规范化

在临床中，大量的医疗文书是以文本形式存在。电子病历的文本包含了病人病史、家族史、症状，以及医生根据症状、理化指标等基础数据做出的诊断等描述。更重要的，临床文本中记录了医生的判断依据，以及对各种诊疗行为的效果跟踪。如果说各种明细记录是结果跟踪，那么文本数据就是过程跟踪的基础。而这些重要的信息保存在非结构化信息中，不能被计算机所理解和处理。

为使得文本更好的结构化，需要用到实体识别、关系抽取技术，根据技术的不同，也会用到一些基础的文本分词或是词法分析等技术，在这个过程中，可以手工标注语料，用各种监督学习方法，传统的有 CRF，新的方法可以基于 RNN 网络；也可以基于字典方法，利用症状、检查、药品与疾病名称的知识库。为了免除语料标注的麻烦，笔者基于症状知识库以及症状语法结构做了远程标注，再进行 CRF 建模，取得了比较好的效果。

然而，仅仅是结构化也是不够的，因为医疗术语存在大量的同义词或上下位词，比如说，同一症状具有多种多样的文本表达形式，如“期前收缩”、“过早搏动”与“早搏”是同义词。再比如说，一个症状常常被不同的词语修饰以表达略有不同的语义含义，如“急性背痛”，“慢性背痛”都可以是“背痛”的下位词。

再以疾病为例，目前医学诊断大量采用了 ICD 编码，但 ICD 编码结构并不包含完整的上下位关系。以中文 ICD 编码 [1] 中的“特指急性风湿性心脏病”为例，它的上位词有“特指风湿性心脏病”和“急性风湿性心脏病”，这两种疾病拥有共同的上位词“风湿性心脏病”，“风湿性心脏病”又有上位词“心脏病”。而这几种疾病之间的关系和层次结构并没有在 ICD 10 中通过编码结构表示出来，只是通过编码的首字母“I”将它们划分到了循环系统类疾病中。如过我们需要希望找到某一类患者，无法通过一个ICD编码获得，而是需要人工的选择多个 ICD 编码。从另一个角度而言，对于同一个疾病，医生在编写 ICD 编码时，可粗可细，也会给病历的自动处理带来困难。

为解决上述问题，首先需要现有的编码系统有对应的图谱方式描述，至少具有上下位和同义词关系，进一步的，也可以通过电子病历中的文本诊断，利用图谱，对电子病历数据进行自动编码。

二、图谱表示用于关联知识与数据

电子病历中存储着大量的数据，但仅在病历数据内部做挖掘及分析是有局限性的，难以发现数据中蕴含的深层次的价值。将病历数据以 RDF 格式发布，形成病历图谱，并与开放知识库（如中文症状知识库）相关联，将对疾病预测、用药推荐和相似病人发现等打下良好的基础。

比如说，在电子病历用药时，写的会是药品名称，但是，在分析的时候，通常医生会用大类名称，如 ACEI 类药物，或是 ARB 类药物等等。这时候，病历图谱需要和药品图谱关联，就可以更为方便地做各种临床分析，再比如说，Topfed 项目将 TCGA 项目中发布的癌症病人的基因数据进行 RDF 化，并与其它开放数据集关联，进而做了一些有趣的分析，获得了 ISWC2013 的 Semantic Web Challenge 大奖。例如输入一个病人的特征，找到库中与他类似的病人群，根据相似性找到相应的药物方案，如果病人对此药物有抗药性，可以寻找药品库的同类药物。

三、总结

虽然英文已经有了很多开放链接生物医药数据集合，但中文比较缺乏，而中文的电子病历处理又需要中文知识图谱。针对上述问题，我们构建了中文症状知识图谱，并基于电子病历数据做了部分问答式应用。中文症状知识图谱已经放在www.openkg.cn网站，欢迎大家下载。

下载链接：http://openkg.cn/dataset/symptom-in-chinese

参考资料：

[1] 疾病和有关健康问题的国际统计分类第十次修订本（ICD-10）[M]. 人民卫生出版社. 1996.

[2] Saleem M, Padmanabhuni S S, Ngomo AC N, et al. TopFed: TCGA tailored federated query processing and linking toLOD[J]. Journal of Biom edical Semantics, 2014, 5(1):47

OpenKG.CN

中文开放知识图谱（简称OpenKG.CN）旨在促进中文知识图谱数据的开放与互联，促进知识图谱和语义技术的普及和广泛应用。