智能提取胃癌分期相關(guān)信息研究

黃文鵬，李莉明，程銘，李?lèi)?ài)云，梁盼，雍劉亮，高劍波

鄭州大學(xué)第一附屬醫(yī)院 a. 放射科；b. 信息處，河南 鄭州 450052

引言

胃癌是全世界發(fā)病率第五的癌癥，其死亡率在癌癥相關(guān)死亡率中位列第三[1]。每年約70%的新發(fā)胃癌病歷發(fā)生在亞洲，中國(guó)約占46.8%[2]。約30%的患者術(shù)前或術(shù)中發(fā)生轉(zhuǎn)移，其中腹膜是主要的轉(zhuǎn)移部位之一，與多種因素相關(guān)[3-4]。影像學(xué)檢查對(duì)腹膜轉(zhuǎn)移的檢出有限[5]，術(shù)中所見(jiàn)是確定腹膜轉(zhuǎn)移的金標(biāo)準(zhǔn)[6]。手術(shù)記錄是術(shù)者對(duì)術(shù)中所見(jiàn)的直接描述，真實(shí)又直觀，是評(píng)估胃癌分期，尤其是M分期的重要參考，對(duì)科研、臨床治療和預(yù)后有重要的意義。目前手術(shù)記錄的文本主要采用非結(jié)構(gòu)化的自然語(yǔ)言記錄，不利于臨床分析或科研數(shù)據(jù)搜集。如果可以智能地從非結(jié)構(gòu)化的手術(shù)記錄文本中提取有用信息，對(duì)科研和臨床將有很大助益。因此，越來(lái)越多的研究者開(kāi)始關(guān)注自然語(yǔ)言處理技術(shù)在醫(yī)療信息研究中的應(yīng)用[7]。

自然語(yǔ)言處理在英文電子病歷中得到廣泛應(yīng)用[8]，但并不能將其直接應(yīng)用到中文醫(yī)學(xué)文本中，這主要是中英之間表達(dá)方式不同[9]。從非結(jié)構(gòu)化的中文文本中智能提取有用信息是一項(xiàng)非常困難的任務(wù)。Liang等[10]首次提出條件隨機(jī)場(chǎng)（Conditional Random Field Layer，CRF）和支持向量機(jī)的混合模型，在中文入院記錄中提取中西藥相關(guān)的信息。最近，Chen等[11]采用基于規(guī)則的方法從電子病歷中抽取肝細(xì)胞癌分期的相關(guān)信息，獲得肝癌的CLIP評(píng)分，并取得較高的精確度（Precision，P）、召回率（Recall，R）和F值。但是，從手術(shù)記錄中智能提取胃癌相關(guān)信息的研究尚十分少見(jiàn)，本研究的目的是采用自然語(yǔ)言處理技術(shù)從非結(jié)構(gòu)化手術(shù)記錄中智能提取胃癌分期的相關(guān)信息，并評(píng)估其效能。

1 材料與方法

1.1 患者與標(biāo)注

從電子病歷系統(tǒng)（Electronic Medical Records，EMRs）中搜集2016年1月至2018年1月胃腸外科診斷為胃癌并行手術(shù)的病例共632人，分析他們的手術(shù)記錄，確定與胃癌TNM分期相關(guān)的共7個(gè)關(guān)鍵問(wèn)題，分別是：① 手術(shù)名稱(chēng)；② 腫瘤位置；③ 腫瘤大??；④ 腫瘤是否侵及漿膜層；⑤ 是否可見(jiàn)腫大淋巴結(jié)，有則記錄位置；⑥ 是否可見(jiàn)腹水，有則記錄腹水量；⑦ 是否有轉(zhuǎn)移結(jié)節(jié)，有則記錄位置。根據(jù)這7個(gè)關(guān)鍵問(wèn)題，由臨床醫(yī)生和信息學(xué)博士共同決定關(guān)鍵醫(yī)學(xué)實(shí)體及屬性。并在此基礎(chǔ)上，提取一種新的醫(yī)學(xué)實(shí)體屬性抽取方法。另外，采用項(xiàng)目組自己研發(fā)的醫(yī)學(xué)文本標(biāo)注軟件對(duì)手術(shù)記錄進(jìn)行標(biāo)注（軟件著作權(quán)登記號(hào)2019SR0653695）。

由兩名醫(yī)生（分別具有5年及3年臨床工作經(jīng)驗(yàn)）使用標(biāo)注軟件手動(dòng)標(biāo)注632份手術(shù)記錄中實(shí)體和屬性，當(dāng)兩名醫(yī)生標(biāo)注不一致時(shí)，由第三位醫(yī)生（具有10年以上臨床工作經(jīng)驗(yàn)）決定，標(biāo)注結(jié)果作為金標(biāo)準(zhǔn)。將632份手術(shù)記錄按照3：1的比例隨機(jī)分為訓(xùn)練組和驗(yàn)證組，訓(xùn)練組用來(lái)訓(xùn)練模型，驗(yàn)證組用來(lái)檢驗(yàn)?zāi)Ｐ托埽▓D1）。為減少隨機(jī)分類(lèi)所帶來(lái)的偏差，對(duì)隨機(jī)選擇的過(guò)程重復(fù)執(zhí)行10次，模型性能為10組實(shí)驗(yàn)結(jié)果的平均值。

圖1 研究流程圖

1.2 提取策略

根據(jù)手術(shù)記錄所關(guān)注的7個(gè)問(wèn)題，確定與之相關(guān)的醫(yī)學(xué)實(shí)體。例如，腫瘤位置是我們關(guān)注的問(wèn)題，手術(shù)記錄中描述“幽門(mén)可及質(zhì)硬腫塊”，那么“腫塊”就是病變實(shí)體，“幽門(mén)”就是位置實(shí)體。從實(shí)體周?chē)Y選屬性，將非結(jié)構(gòu)化文本轉(zhuǎn)換成結(jié)構(gòu)化文本，從而提取有用信息。結(jié)構(gòu)化之后的文本包括三部分：實(shí)體類(lèi)型、實(shí)體名稱(chēng)、實(shí)體屬性。所以，我們的提取信息的步驟是先識(shí)別實(shí)體，再提取其屬性。

第一步，醫(yī)學(xué)實(shí)體識(shí)別。我們采用混合雙向長(zhǎng)短時(shí)相記憶網(wǎng)絡(luò)（Bidirectional Long Short-Term Memory，BiLSTM）和CRF模型，識(shí)別句子中的醫(yī)學(xué)實(shí)體。長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)[12]是一種特殊的循環(huán)網(wǎng)絡(luò)模型，克服了傳統(tǒng)循環(huán)網(wǎng)絡(luò)模型由于序列過(guò)長(zhǎng)而產(chǎn)生梯度彌散問(wèn)題。長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模型通過(guò)特殊設(shè)計(jì)的門(mén)結(jié)構(gòu)使得模型可以有選擇的保存上下文信息，具體公式如公式(1)所示。

其中，λ是激活函數(shù)，⊙ 是點(diǎn)乘運(yùn)算，tanh表示雙曲正切激活函數(shù)，it，ft，ot分別表示在時(shí)刻t的輸入門(mén)，忘記門(mén)，輸出門(mén)，Ct表示t時(shí)刻的轉(zhuǎn)態(tài)，ht表示t時(shí)刻的輸出。

此外，BiLSTM相關(guān)參數(shù)如表1所示。其中，L指字向量的維度，LBilstm指輸入序列的最大長(zhǎng)度，λ是優(yōu)化函數(shù)的學(xué)習(xí)率。

表1 BiLSTM相關(guān)參數(shù)

CRF是一種較新的無(wú)向圖模型，由Laff etry等[13]在最大熵和隱馬爾可夫兩個(gè)模型的基礎(chǔ)上發(fā)展出的一個(gè)判別式概率模型，對(duì)于有序數(shù)據(jù)的標(biāo)注與切分非常適用。醫(yī)學(xué)實(shí)體主要分以下四類(lèi)：

（1）手術(shù)名稱(chēng)，指所行手術(shù)的名字。例如：“胃大部切除術(shù)”“腹腔鏡探查術(shù)”“剖腹探查術(shù)”等，后兩者手術(shù)名稱(chēng)對(duì)腹膜轉(zhuǎn)移起到提示作用。

（2）病變，指細(xì)胞、組織和器官等發(fā)生的病理變化。例如“腫塊”“淋巴結(jié)”“結(jié)節(jié)”等。其中“結(jié)節(jié)”是判斷腹膜轉(zhuǎn)移灶的主要實(shí)體。

（3）部位，指人體的解剖位置，文中主要指腫瘤和淋巴結(jié)解剖部位。腫瘤的位置，例如“賁門(mén)”“胃底”“胃體”“全胃”等；淋巴結(jié)的位置，例如“腹主動(dòng)脈旁”“胃小彎側(cè)”“胃大彎側(cè)”“腸系膜根部”等；結(jié)節(jié)的位置，例如“盆腔”“大網(wǎng)膜”等。

（4）征象，記錄中組織或器官的表現(xiàn)。例如，“侵及漿膜”“漿膜皺縮”“漿膜可見(jiàn)瘤體突出”“漿膜面結(jié)節(jié)樣改變”“積液”“液體”“腹水”等?！案顾迸c“積液”提示可能存在腹膜轉(zhuǎn)移。

標(biāo)注采用BIO方案，B代表當(dāng)前詞是一個(gè)組塊的開(kāi)始，I代表當(dāng)前詞在一個(gè)組塊中，O代表當(dāng)前詞不在任意組塊中。使用BIO標(biāo)簽方案的樣例如下所示：“…決定行胃大部切除術(shù)…”BIO：…決/O，定/O，行/O，胃/B，大/I，部/I，切 /I，除/I，術(shù)/I…。

接著，屬性提取。采用規(guī)則的方法提取實(shí)體的屬性。因?yàn)槭中g(shù)記錄來(lái)自同一醫(yī)院的同一個(gè)大科室，雖然每位醫(yī)生的手術(shù)記錄有自己獨(dú)特的語(yǔ)言，但是他們整體的描述還是相似的，實(shí)體和屬性以及他們?cè)谧侄沃械奈恢孟鄬?duì)固定，所以我們采用規(guī)則的方法來(lái)提取屬性[14]。與實(shí)體相關(guān)的屬性主要分為兩類(lèi)，數(shù)字和否定。通常情況下，一小段文本包含一個(gè)實(shí)體，與之相關(guān)的屬性均在實(shí)體鄰近的位置，因此，我們?cè)O(shè)計(jì)實(shí)體前后句子的采集窗口，窗口大小為8個(gè)字符，在此基礎(chǔ)上，采用規(guī)則方法抽取實(shí)體屬性。屬性主要分以下兩類(lèi)：

第一類(lèi)，數(shù)字提取。數(shù)字主要描述腫瘤的大小和腹水的量，我們?cè)O(shè)計(jì)提取規(guī)則：“d+(.d+)[units]”，“d+(.d+|)[units]*d+(.d+|)[units]”。例如，“腫瘤大小約4 cm×5 cm”，“結(jié)節(jié)大小約2 cm”，“腹水量約150 mL”。

第二類(lèi)，否定詞提取。否定可以幫助臨床排除一些鑒別診斷。在胃癌手術(shù)記錄中，否定的描述可以有助于胃癌分期的判斷。例如，“腹膜未見(jiàn)明顯轉(zhuǎn)移結(jié)節(jié)”，則提示胃癌分期M0，與Mitchell等[15]開(kāi)發(fā)的否定識(shí)別方法類(lèi)似。

文本被標(biāo)注后，將提取的臨床實(shí)體和屬性根據(jù)固定的模式放入模式中，即按照類(lèi)別、關(guān)鍵詞、屬性的順序排列（＜type,key, attributes＞）生成結(jié)構(gòu)化的文本。

1.3 評(píng)估方法和統(tǒng)計(jì)方法

對(duì)文本進(jìn)行標(biāo)注后生成文本標(biāo)注的金標(biāo)準(zhǔn)，標(biāo)注結(jié)果為：標(biāo)注實(shí)體對(duì)應(yīng)的位置編號(hào)，文本第一個(gè)字符的位置為0，例如：“腹腔內(nèi)無(wú)腹水”與“腹水”實(shí)體的位置信息是4：5。判斷模型是否能夠準(zhǔn)確識(shí)別實(shí)體，主要通過(guò)比較模型識(shí)別的實(shí)體位置和醫(yī)生標(biāo)注的實(shí)體位置是否一致。如果二者完全相同，則識(shí)別結(jié)果為精確匹配。如果模型標(biāo)注的位置區(qū)間包含實(shí)體的區(qū)間，那我們認(rèn)為也是正確的即松弛匹配。松弛匹配不存在語(yǔ)義判斷，只關(guān)注實(shí)體區(qū)間位置。

本文采用Python3.6（https://www.python.org）和Scikitlearn0.20（https://scikit-learn.org/stable）庫(kù)建立機(jī)器學(xué)習(xí)模型。采用了機(jī)器學(xué)習(xí)模型常用的評(píng)估指標(biāo)來(lái)評(píng)估模型的性能，即精確度（Precision，P）、召回率（Recall，R）和F值。精確率，又稱(chēng)查準(zhǔn)率，正確預(yù)測(cè)為正的占全部預(yù)測(cè)為正的比例，即真正正確的占所有預(yù)測(cè)為正的比例。在本文中，指模型識(shí)別并證實(shí)正確的實(shí)體數(shù)目與預(yù)測(cè)為實(shí)體的總數(shù)目之比。召回率，又稱(chēng)查全率，正確預(yù)測(cè)為正的占全部實(shí)際為正的比例，即真正正確的占所有實(shí)際為正的比例。本文中指模型識(shí)別并證實(shí)正確識(shí)別的實(shí)體數(shù)目與醫(yī)生標(biāo)注的實(shí)體總數(shù)目之比。F值是P和R的調(diào)和平均值，由兩者計(jì)算得出，同時(shí)受兩者的影響[F=2PR/(P+R)]。

我們將評(píng)估整體實(shí)體和屬性在精確和松弛匹配下的P、R和F值，評(píng)估各個(gè)類(lèi)型的醫(yī)學(xué)實(shí)體和屬性在精確和松弛匹配下的P、R和F值。

2 結(jié)果

模型分析了632份手術(shù)記錄，21319個(gè)實(shí)體，2145個(gè)與數(shù)字相關(guān)的屬性，2250個(gè)與否定相關(guān)的屬性。474份作為訓(xùn)練組，158份作為驗(yàn)證組。每個(gè)關(guān)鍵問(wèn)題至少有20個(gè)樣本作為訓(xùn)練，20份作為驗(yàn)證。醫(yī)生標(biāo)注的醫(yī)學(xué)實(shí)體最終結(jié)果，見(jiàn)圖2。

圖2 醫(yī)生標(biāo)注醫(yī)學(xué)實(shí)體的結(jié)果示例

模型主要步驟包括兩個(gè)方面，實(shí)體識(shí)別和屬性提取，具體結(jié)果如表2所示。結(jié)果顯示了在精確和松弛匹配下醫(yī)學(xué)實(shí)體及其屬性的P、R和F值。此外，松弛匹配的F值在三種實(shí)體類(lèi)別以及屬性的識(shí)別中，大于精確匹配下的F值。BiLSTM-CRF對(duì)實(shí)體的識(shí)別在精確和松弛匹配下的F值均較單純CRF模型要高（表3）。醫(yī)學(xué)實(shí)體識(shí)別的過(guò)程將直接影響屬性提取的結(jié)果，所以我們首先評(píng)估醫(yī)學(xué)實(shí)體識(shí)別的性能，然后評(píng)估屬性的性能。

表2 醫(yī)學(xué)實(shí)體和屬性的識(shí)別結(jié)果

表3 BiLSTM-CRF與CRF的比較

驗(yàn)證組手術(shù)記錄共158份，由結(jié)構(gòu)化文本可知，31例（19.62%）出現(xiàn)漿膜受侵，59例（37.34%）出現(xiàn)腫大淋巴結(jié)，7例（4.43%）出現(xiàn)腹膜轉(zhuǎn)移（圖3）。

圖3 與胃癌分期相關(guān)的問(wèn)題在驗(yàn)證組中的結(jié)果

3 討論

研究發(fā)現(xiàn)，本文提出的方法可以有效的識(shí)別醫(yī)學(xué)實(shí)體并抽取其相關(guān)屬性，使非結(jié)構(gòu)化的文本轉(zhuǎn)化為結(jié)構(gòu)化的文本，更方便統(tǒng)計(jì)胃癌相關(guān)數(shù)據(jù)，得到關(guān)鍵問(wèn)題的答案。

近幾年，信息學(xué)與醫(yī)學(xué)的結(jié)合在科研與臨床領(lǐng)域越來(lái)越廣泛，放射組學(xué)就是典型的代表，臨床研究已經(jīng)涉及消化、泌尿、呼吸等多個(gè)系統(tǒng)[16-18]。本研究也是結(jié)合了醫(yī)學(xué)與信息學(xué)，同放射組學(xué)一樣，醫(yī)生需要提出待解決的問(wèn)題，并對(duì)影像和文本進(jìn)行標(biāo)注，通過(guò)計(jì)算機(jī)模型進(jìn)行處理，最終得到醫(yī)生想要的數(shù)據(jù)，為臨床的科學(xué)研究以及患者個(gè)體化診療帶來(lái)幫助。研究中提出了一種混合BiLSTM+CRF與規(guī)則的方法提取醫(yī)學(xué)實(shí)體和屬性，是基于深度學(xué)習(xí)的方法與基于統(tǒng)計(jì)模型的方法的結(jié)合。BiLSTM是一種基于深度學(xué)習(xí)的方法，CRF是基于統(tǒng)計(jì)模型的方法。目前在國(guó)內(nèi)電子病歷中最常使用的是CRF模型。CRF模型依賴(lài)于特征的質(zhì)量，特征質(zhì)量的高低直接影響了模型的性能。與CRF不同，BiLSTM是一種無(wú)監(jiān)督的學(xué)習(xí)，模型自主抽取特征，具有自動(dòng)學(xué)習(xí)特征的能力，可與CRF模型互為補(bǔ)充，提高性能。有研究也采用人工設(shè)計(jì)規(guī)則的方法抽取實(shí)體，由相關(guān)領(lǐng)域的專(zhuān)家來(lái)手工構(gòu)造相應(yīng)的規(guī)則模板或?qū)I(yè)詞典，再利用字符串匹配等算法對(duì)相關(guān)實(shí)體進(jìn)行識(shí)別[11]，這種方法最大的缺點(diǎn)是對(duì)數(shù)據(jù)依賴(lài)性過(guò)強(qiáng)、可移植性差，而且手工編寫(xiě)規(guī)則模板需要許多時(shí)間。而本研究中的方法可以更好的移植應(yīng)用到不同的數(shù)據(jù)集，具有很好的擴(kuò)展性。結(jié)果顯示，BiLSTM+CRF神經(jīng)網(wǎng)絡(luò)在連續(xù)文本所建的模型中取得了良好的效果。本文使用的神經(jīng)網(wǎng)絡(luò)模型識(shí)別醫(yī)學(xué)實(shí)體，這為中文醫(yī)學(xué)信息抽取提供了新的思路。

研究中僅僅分析了胃癌的手術(shù)記錄，這是因?yàn)槭中g(shù)記錄中對(duì)的腹腔情況的描述，是臨床胃癌M分期的金標(biāo)準(zhǔn)[11]，與治療方案和預(yù)后關(guān)系密切[19-20]，對(duì)臨床和科研意義重大。本文中與腹膜轉(zhuǎn)移相關(guān)的內(nèi)容在第二、三、四類(lèi)臨床實(shí)體中體現(xiàn)。本院手術(shù)記錄中的常常這樣描述腹膜轉(zhuǎn)移，例如，“盆腔可見(jiàn)乳白色結(jié)節(jié)”“大網(wǎng)膜見(jiàn)多發(fā)粟粒樣結(jié)節(jié)”等。其中，“結(jié)節(jié)”屬于第二類(lèi)實(shí)體，結(jié)果顯示，第二類(lèi)實(shí)體在松弛情況下的P值是0.89，R值是0.92，F(xiàn)值是0.90，這說(shuō)明本研究對(duì)腹膜轉(zhuǎn)移灶的檢出效能比較好?！芭枨弧焙汀按缶W(wǎng)膜”屬于第三類(lèi)實(shí)體，即部位。如果手術(shù)記錄中對(duì)轉(zhuǎn)移灶的部位描述比較詳細(xì)，那么結(jié)構(gòu)化的文本結(jié)果將顯示腹膜轉(zhuǎn)移的所有部位。目前，我國(guó)抗癌協(xié)會(huì)胃癌專(zhuān)業(yè)委員會(huì)推薦采用日本胃癌學(xué)會(huì)的腹膜分期[21]。當(dāng)文本顯示轉(zhuǎn)移結(jié)節(jié)位置中有“盆腔”的時(shí)候，則提示腹膜分期為P1c[22]。第四類(lèi)實(shí)體是對(duì)征象的描述，手術(shù)記錄中常見(jiàn)到“盆腔可見(jiàn)積液”“可見(jiàn)腹水”“可見(jiàn)少量黃色液體”等描述，這些征象提示腹膜轉(zhuǎn)移的可能性大。

本文將非結(jié)構(gòu)化的文本轉(zhuǎn)化為結(jié)構(gòu)化文本之后，不僅可以顯示是否腹膜轉(zhuǎn)移，還可以顯示腹膜轉(zhuǎn)移的具體分布。同時(shí)，結(jié)果還可以顯示胃癌漿膜浸潤(rùn)的情況，漿膜浸潤(rùn)是腹膜轉(zhuǎn)移的高危因素。雖然病理是確定漿膜浸潤(rùn)的金標(biāo)準(zhǔn)，但是術(shù)中所見(jiàn)漿膜的形態(tài)與病理有很大的相關(guān)性。淋巴結(jié)轉(zhuǎn)移也是腹膜轉(zhuǎn)移的高危因素，結(jié)果不僅可以顯示是否存在淋巴結(jié)轉(zhuǎn)移，還可以顯示轉(zhuǎn)移淋巴結(jié)的位置。例如，當(dāng)轉(zhuǎn)移淋巴結(jié)的位置中有腹主動(dòng)脈旁時(shí)，則提示胃癌分期M1，而不僅僅是N1[23]。經(jīng)結(jié)構(gòu)化處理過(guò)的手術(shù)記錄，除去了一些重復(fù)和繁瑣的手術(shù)步驟記錄，只專(zhuān)注于關(guān)鍵信息，節(jié)省了時(shí)間與人力，同時(shí)保證了正確性。目前在影像報(bào)告中首先受到國(guó)內(nèi)學(xué)者關(guān)注[24]。

本文也有一定的局限性。文中采用同一醫(yī)院同一部門(mén)的手術(shù)記錄，其中醫(yī)學(xué)實(shí)體表達(dá)比較固定，這也是我們實(shí)體識(shí)別和屬性提取F值較高的原因之一。為了提高模型的穩(wěn)定性，需要采用多中心的臨床數(shù)據(jù)進(jìn)行模型訓(xùn)練驗(yàn)證。

綜上所述，本文提出了一種新的混合方法從手術(shù)記錄中提取胃癌分期相關(guān)信息，并取得了良好的效果。筆者認(rèn)為將非結(jié)構(gòu)化的文本轉(zhuǎn)化結(jié)構(gòu)化文本將是一項(xiàng)十分有意義的工作，未來(lái)將有可能在不同系統(tǒng)疾病的入院記錄、病程記錄等一系列醫(yī)療文本中使用。