基于任務(wù)型對(duì)話系統(tǒng)的電子病歷結(jié)構(gòu)化錄入系統(tǒng)設(shè)計(jì)

程路易，王志軍

（東華大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，上海 201620）

0 引 言

隨著信息化建設(shè)的持續(xù)推進(jìn)，電子病歷在醫(yī)院中得到了廣泛的應(yīng)用。由于電子病歷包括多個(gè)業(yè)務(wù)領(lǐng)域臨床信息，如病歷概要、門（急）診診療記錄、住院診療記錄等，因此涉及到大量信息錄入場(chǎng)景。目前主要是由醫(yī)生通過鍵盤手工輸入信息，但在部分場(chǎng)景下存在不便用鍵盤錄入數(shù)據(jù)的情況。例如：在病理檢查場(chǎng)景下，醫(yī)生手持器械檢查時(shí)雙手被占用，無法再使用鍵盤進(jìn)行錄入；在住院診療場(chǎng)景下，醫(yī)生需要與患者近距離交流，沒有時(shí)間和空間使用鍵盤進(jìn)行記錄等。

為此，本文提出使用語音交互的方式來進(jìn)行電子病歷錄入。已有的工作是將任務(wù)分為2步。第一步是語音識(shí)別，將語音轉(zhuǎn)換為文字；第二步是信息抽取，將文本進(jìn)行結(jié)構(gòu)化，獲得包含樣本、屬性、屬性值的三元組。然而，這類方法存在一些具有挑戰(zhàn)性的問題：

（1）錄入文本過長(zhǎng)。不同于普通的語音查詢場(chǎng)景，如詢問天氣，餐廳搜索等，電子病歷文本相對(duì)較長(zhǎng)。傳統(tǒng)的基于鍵盤的輸入方式影響并不大，但切換到基于語音的輸入方式將成為一個(gè)挑戰(zhàn)。

（2）錯(cuò)誤級(jí)聯(lián)。當(dāng)前的語音識(shí)別和信息抽取方法的效果都還不夠好，使用pipeline的方法會(huì)產(chǎn)生錯(cuò)誤級(jí)聯(lián)問題，導(dǎo)致最終錄入效果不佳。

（3）可擴(kuò)展性差。由于當(dāng)前的方法需要先對(duì)屬性進(jìn)行充分訓(xùn)練后才可以用于屬性抽取，難以適用新屬性的抽取。

針對(duì)上述挑戰(zhàn)，本文設(shè)計(jì)了一個(gè)基于任務(wù)型對(duì)話系統(tǒng)的電子病歷結(jié)構(gòu)化錄入系統(tǒng)。提出了基于任務(wù)型對(duì)話系統(tǒng)的語音交互方式，能夠讓用戶進(jìn)行分段式語音錄入；在當(dāng)前語音識(shí)別和分段式語音錄入的基礎(chǔ)上，增加了語音糾錯(cuò)階段，通過基于語音對(duì)話的方式，對(duì)結(jié)構(gòu)化抽取錯(cuò)誤的結(jié)果進(jìn)行糾正；提出了一種基于可擴(kuò)展對(duì)話狀態(tài)追蹤的模型，僅需要屬性的一段描述信息，即可進(jìn)行信息抽取。本文在病理檢查記錄錄入、住院診療記錄錄入兩個(gè)場(chǎng)景中進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果證明了系統(tǒng)的有效性和可擴(kuò)展性。

1 系統(tǒng)架構(gòu)

系統(tǒng)由語音識(shí)別、語音合成以及對(duì)話系統(tǒng)三部分組成，總體架構(gòu)如圖1所示。首先在系統(tǒng)前端錄制用戶語音，使用語音識(shí)別模塊將語音轉(zhuǎn)換為文本；將文本輸入后端的任務(wù)型對(duì)話系統(tǒng)，系統(tǒng)將從文本中抽取出屬性值并產(chǎn)生系統(tǒng)語段，一起發(fā)送至前端；再使用語音合成模塊將系統(tǒng)語段轉(zhuǎn)換成語音，并將抽取出的屬性值在前端進(jìn)行展示，同時(shí)等待用戶下一輪的輸入。以上流程確保了系統(tǒng)前后端之間傳輸?shù)臄?shù)據(jù)都是文本，減少了前后端間傳輸?shù)臄?shù)據(jù)量。

圖1 系統(tǒng)總體架構(gòu)Fig.1 Overall architecture of the system

對(duì)話系統(tǒng)模塊包含2個(gè)階段：錄入階段、糾錯(cuò)階段。其中，錄入階段的任務(wù)是讓用戶通過多輪對(duì)話的方式，完成電子病歷結(jié)構(gòu)化錄入。輸入是當(dāng)前用戶語段、對(duì)話歷史、屬性描述等內(nèi)容；輸出是屬性（槽）、屬性值對(duì)以及系統(tǒng)語段。當(dāng)用戶告知系統(tǒng)“錄入完畢”時(shí)，系統(tǒng)自動(dòng)進(jìn)入糾錯(cuò)階段。糾錯(cuò)階段的任務(wù)是直接使用語音指令，修改錄入有誤的屬性值。當(dāng)用戶表示沒有需要修改的屬性后，整個(gè)流程結(jié)束。

1.1 錄入階段架構(gòu)

錄入階段架構(gòu)如圖2所示。圖2中，錄入階段主要由3個(gè)模塊組成，包括：對(duì)話狀態(tài)追蹤、對(duì)話策略以及自然語言生成。其中，對(duì)話狀態(tài)追蹤模塊的輸入包括當(dāng)前用戶語段、對(duì)話歷史語段以及屬性的描述，輸出是對(duì)話狀態(tài)，具體包括一組槽、值對(duì)。此模塊包含2個(gè)子模塊：可分類槽模塊與不可分類槽模塊，分別用于預(yù)測(cè)有預(yù)設(shè)候選值、沒有預(yù)設(shè)候選值的屬性的值，最終合并成對(duì)話狀態(tài)。對(duì)話策略模塊基于規(guī)則，輸入是對(duì)話狀態(tài)，輸出是系統(tǒng)動(dòng)作。自然語言生成模塊同樣基于規(guī)則實(shí)現(xiàn)，輸入對(duì)話動(dòng)作，輸出系統(tǒng)回復(fù)。系統(tǒng)不斷重復(fù)整個(gè)過程，直到用戶表示錄入完畢，進(jìn)入糾錯(cuò)階段。

圖2 錄入階段架構(gòu)Fig.2 Architecture of the data entry stage

1.2 糾錯(cuò)階段架構(gòu)

糾錯(cuò)階段架構(gòu)如圖3所示。圖3中，糾錯(cuò)階段主要由自然語言理解、對(duì)話策略以及自然語言生成模塊組成。其中，自然語言理解模塊的輸入是當(dāng)前用戶語段，輸出是從語段中抽取出的一個(gè)槽的名稱及其值；糾錯(cuò)階段剩余2個(gè)模塊功能與錄入階段中的相應(yīng)模塊類似，當(dāng)用戶表示沒有需要修改的內(nèi)容后，整個(gè)流程結(jié)束。

圖3 糾錯(cuò)階段架構(gòu)Fig.3 Architecture of the modification stage

2 系統(tǒng)實(shí)現(xiàn)

系統(tǒng)后端使用Python語言開發(fā)。其中，深度學(xué)習(xí)部 分主要 使用基 于Pytorch的Huggingface Transformers框架，使用bert-base-chinese預(yù)訓(xùn)練語言模型；Web服務(wù)器部分使用Flask框架實(shí)現(xiàn)。前端使用JavaScript語言開發(fā)，界面部分主要使用了基于React的Ant Design組件庫(kù)。

2.1 后端對(duì)話系統(tǒng)的實(shí)現(xiàn)

2.1.1 數(shù)據(jù)集的構(gòu)建

對(duì)于錄入階段，需要解決原始數(shù)據(jù)集中的文本與實(shí)際場(chǎng)景不匹配的問題。原始數(shù)據(jù)集中，每條數(shù)據(jù)是一段約100～300字的文本，而實(shí)際系統(tǒng)需要用戶使用多輪對(duì)話的方式進(jìn)行交互。因此，需對(duì)原始數(shù)據(jù)集的文本進(jìn)行如下處理：

首先，將一整段文本依據(jù)逗號(hào)、句號(hào)、分號(hào)等標(biāo)點(diǎn)符號(hào)進(jìn)行切分，形成多個(gè)短句，再對(duì)這些短句進(jìn)行合并，形成用戶語段，確保每個(gè)語段中包含1～3個(gè)短句。接下來，需要在每個(gè)用戶語段之后生成系統(tǒng)語段。本文使用了構(gòu)建模板的方式，構(gòu)建了一些簡(jiǎn)單的回復(fù)，如“收到，請(qǐng)繼續(xù)說”、“好的，請(qǐng)說下一句”等。在整個(gè)對(duì)話結(jié)束時(shí)，則插入表示結(jié)束錄入的語段，如“錄入完畢”。最后，使用直至當(dāng)前用戶輪的所有對(duì)話歷史作為模型語段部分的輸入。

數(shù)學(xué)課程標(biāo)準(zhǔn)(2011年版)指出：“學(xué)生掌握數(shù)學(xué)知識(shí)，不能依靠死記硬背，而應(yīng)以理解為基礎(chǔ)，并在知識(shí)的運(yùn)用中不斷鞏固和深化?！边@就是說，數(shù)學(xué)基礎(chǔ)知識(shí)的教學(xué)應(yīng)該注重讓學(xué)生理解教學(xué)中的實(shí)例。比如：為了了解某種電動(dòng)車一次充電后行駛的里程數(shù)，對(duì)其進(jìn)行抽檢，結(jié)果統(tǒng)計(jì)如下表所示，在一次充電后行駛的里程數(shù)，則這組數(shù)據(jù)中眾數(shù)和中位數(shù)分別是_____？

在糾錯(cuò)階段，本文構(gòu)建了一個(gè)符合使用自然語言修改屬性值場(chǎng)景的數(shù)據(jù)集。方法如下：

首先，對(duì)2個(gè)數(shù)據(jù)集中的每個(gè)屬性，獲取可能值的集合。然后定義一組模板，預(yù)設(shè)一些用戶需要修改屬性值時(shí)可能說的話，如“把KEY的值修改為VALUE”等。最后，將屬性及其所有可能的值填入模板中相應(yīng)位置生成樣本，并使用BIO形式進(jìn)行標(biāo)注，見表1。

表1 糾錯(cuò)階段的標(biāo)注形式Tab.1 Annotation method of modification stage

2.1.2 錄入階段對(duì)話狀態(tài)追蹤

為了使系統(tǒng)具有一定的可擴(kuò)展性，本模塊將可分類、不可分類槽的預(yù)測(cè)，分解為可分類槽填充與不可分類槽填充兩個(gè)子任務(wù)，并建模為機(jī)器閱讀理解問題。錄入階段對(duì)話狀態(tài)追蹤模塊架構(gòu)如圖4所示。把對(duì)話歷史、當(dāng)前用戶語段作為閱讀理解中的篇章，并在各屬性標(biāo)注規(guī)范的基礎(chǔ)上總結(jié)出描述，作為閱讀理解中的問題。對(duì)于可分類槽填充模塊，需要完成多選閱讀理解任務(wù)，將描述與屬性的候選值進(jìn)行拼接，使每個(gè)候選值都成為一個(gè)候選項(xiàng)，模型將從中選出一個(gè)選項(xiàng)作為槽的值，具體標(biāo)注形式，見表2。對(duì)于不可分類槽填充模塊，需要完成抽取式閱讀理解任務(wù)，直接將描述作為問題，模型將預(yù)測(cè)出屬性值在語段中的起始位置與結(jié)束位置，具體標(biāo)注形式見表3。

圖4 錄入階段對(duì)話狀態(tài)追蹤模塊架構(gòu)Fig.4 Architecture of the dialogue state tracking module

表2 可分類槽的標(biāo)注形式Tab.2 Annotation method of categorical slots

表3 不可分類槽的標(biāo)注形式Tab.3 Annotation method of non-categorical slots

模塊輸入包括3部分：屬性描述、對(duì)話歷史、當(dāng)前用戶語段。其中，當(dāng)前用戶語段由用戶從前端以json格式發(fā)送至后端，屬性描述可使用配置文件的形式，存儲(chǔ)在后端。對(duì)話歷史信息存儲(chǔ)在后端，在自然語言生成模塊輸出系統(tǒng)語段之后，系統(tǒng)將當(dāng)前用戶語段與當(dāng)前系統(tǒng)語段存入對(duì)話歷史中。

預(yù)測(cè)結(jié)果將直接寫入對(duì)話狀態(tài)中，覆蓋原有的值。系統(tǒng)中的對(duì)話狀態(tài)同樣使用json格式存儲(chǔ)，具體結(jié)構(gòu)為：｛“槽1的名稱”：“值”，“槽2的名稱”：“值”……，“結(jié)束錄入”：“值”｝，以便于發(fā)送至前端進(jìn)行展示。對(duì)所有槽都完成預(yù)測(cè)后，將對(duì)話狀態(tài)傳入對(duì)話策略模塊的同時(shí)，將其發(fā)送至前端，使得用戶能夠在說完每個(gè)語段后，看到系統(tǒng)的反饋。此外，當(dāng)用戶需要錄入一條全新的病歷時(shí)，對(duì)話狀態(tài)追蹤模塊會(huì)清空對(duì)話狀態(tài)以及對(duì)話歷史。

2.1.3 糾錯(cuò)階段自然語言理解

模塊所使用的模型結(jié)構(gòu)與文獻(xiàn)［7］中提出的單句標(biāo)注任務(wù)模型基本相同。模型將按照2.1.1節(jié)所標(biāo)注的標(biāo)簽，為每個(gè)字符進(jìn)行分類。將Outside（）標(biāo)簽之外所有標(biāo)簽的Begin（）與Inside（）部分所對(duì)應(yīng)的單詞進(jìn)行合并，產(chǎn)生實(shí)體。經(jīng)合并后，共有、、三種標(biāo)簽形式。以表1為例，標(biāo)簽為的實(shí)體為“腺癌形狀”，標(biāo)簽為的實(shí)體為“隆起型”。本模塊將找到標(biāo)簽為的實(shí)體與所有槽的名稱進(jìn)行匹配。由于實(shí)際用戶輸入是通過語音識(shí)別產(chǎn)生的，很可能無法完全匹配。因此，使用計(jì)算編輯距離的方式，計(jì)算標(biāo)簽為的實(shí)體與槽的名稱相似度，并選取分?jǐn)?shù)最高的作為需要修改的屬性。如：語音識(shí)別結(jié)果為“癌形狀”，該結(jié)果與“腺癌形狀”的相似度為1-1／（3＋4）＝0.86，而與“標(biāo)本大小”的相似度為1-（3＋4）／（3＋4）＝0。因此，需要修改的屬性為“腺癌形狀”。同時(shí)，設(shè)置一個(gè)閾值，若相似度最高的屬性分?jǐn)?shù)小于閾值，則不修改任何內(nèi)容。此外，模塊同樣使用計(jì)算編輯距離的方式將輸入語段與表示結(jié)束糾錯(cuò)的一組語段進(jìn)行匹配，若相似度大于閾值，則認(rèn)為用戶糾錯(cuò)完畢。模塊的輸出依然使用json格式，若存在需要修改的值，輸出的用戶動(dòng)作為｛需要修改的屬性名：值｝。如果用戶表示結(jié)束糾錯(cuò)，則輸出為｛結(jié)束修改：是｝。

2.1.4 對(duì)話策略與自然語言生成

系統(tǒng)對(duì)話策略模塊的主要作用，是根據(jù)錄入階段對(duì)話追蹤輸出的對(duì)話狀態(tài)，或是糾錯(cuò)階段自然語言理解模塊輸出的槽、值對(duì)，產(chǎn)生對(duì)應(yīng)的系統(tǒng)動(dòng)作，控制自然語言生成模塊的輸出。自然語言生成模塊的作用是將系統(tǒng)動(dòng)作轉(zhuǎn)化為自然語言。

需要產(chǎn)生的系統(tǒng)動(dòng)作主要用于系統(tǒng)處理完當(dāng)前的用戶輸入后，給用戶一個(gè)反饋，引導(dǎo)用戶進(jìn)行下一輪對(duì)話。因此，采用基于規(guī)則的對(duì)話策略模塊，具體規(guī)則如下：

（1）錄入階段。如果輸入的對(duì)話狀態(tài)中，“結(jié)束錄入”槽的值為“否”，則輸出系統(tǒng)動(dòng)作｛動(dòng)作：CONFIRM｝；否 則，輸 出 系 統(tǒng) 動(dòng) 作｛動(dòng) 作：REQUEST｝。同 時(shí)，向 前 端 發(fā) 送json，內(nèi) 容 為｛inputend：True｝，使得前端進(jìn)入糾錯(cuò)階段。

（2）糾錯(cuò)階段。若輸入的用戶動(dòng)作中包含｛需要修改的屬性名：值｝，則以json的形式向前端發(fā)送此內(nèi)容，同時(shí)輸出系統(tǒng)動(dòng)作｛動(dòng)作：REQUEST｝。直到輸入中包含｛結(jié)束修改：是｝時(shí)，模塊會(huì)向前端發(fā)送json，內(nèi)容為｛modend：True｝。通知前端整個(gè)錄入流程已完全結(jié)束，模塊不再輸出任何系統(tǒng)動(dòng)作，結(jié)束后端的流程。

系統(tǒng)采用基于模板的自然語言生成模塊，當(dāng)輸入的系統(tǒng)動(dòng)作為CONFIRM時(shí)，系統(tǒng)準(zhǔn)備了多種表示確認(rèn)的短句，如：“收到，請(qǐng)繼續(xù)說”、“好的，請(qǐng)說下一句”等。當(dāng)輸入動(dòng)作為REQUEST時(shí)，系統(tǒng)同樣預(yù)置了多種詢問用戶是否需要繼續(xù)進(jìn)行修改的語句。本模塊在收到系統(tǒng)動(dòng)作后，會(huì)從對(duì)應(yīng)的模板中隨機(jī)選擇一個(gè)語句進(jìn)行回復(fù)，使得系統(tǒng)產(chǎn)生的回復(fù)從用戶的角度看，具有一定的多樣性。同時(shí)，有效地避免了模塊可能產(chǎn)生不確定、不安全回復(fù)的可能。

2.2 前端語音交互

為了節(jié)省前后端之間數(shù)據(jù)傳輸所需帶寬，系統(tǒng)完全在前端實(shí)現(xiàn)與用戶的語音交互。由于系統(tǒng)整體采用B／S架構(gòu)，需要在瀏覽器中完成錄音與播放、調(diào)用第三方語音識(shí)別、語音合成API。系統(tǒng)采用發(fā)送事件的方式，完成這些任務(wù)之間的同步。各任務(wù)具體實(shí)現(xiàn)細(xì)節(jié)如下：

（1）錄音任務(wù)需要完成的內(nèi)容主要包括：獲取錄音權(quán)限、開始錄音、停止錄音。系統(tǒng)直接調(diào)用瀏覽器內(nèi)置的WebAudio接口，完成麥克風(fēng)權(quán)限的獲取以及音頻錄制。經(jīng)過調(diào)研發(fā)現(xiàn)，不同類型的麥克風(fēng)所需的冷啟動(dòng)時(shí)長(zhǎng)有所不同。冷啟動(dòng)時(shí)長(zhǎng)是指從系統(tǒng)初次獲取到錄音權(quán)限起，直至錄音設(shè)備能夠錄制用戶的語音為止。如果在取得錄音權(quán)限后立即開始錄制音頻，會(huì)造成錄音開頭部分的音頻丟失。因此，在用戶授權(quán)使用麥克風(fēng)后，系統(tǒng)播放一段音頻，引導(dǎo)用戶開始語音錄入。在開始播放引導(dǎo)音頻的同時(shí)讓麥克風(fēng)開始錄音，在音頻播放結(jié)束的前一刻停止錄音，使麥克風(fēng)獲得足夠的冷啟動(dòng)時(shí)間，能夠完整錄制用戶的聲音。在用戶說完當(dāng)前語段后，系統(tǒng)將自動(dòng)停止錄音。盡管一些第三方的語音識(shí)別API本身提供此功能，但效果并不理想，無法及時(shí)停止錄音，導(dǎo)致上傳的音頻存在大段空白，不利于語音識(shí)別。本系統(tǒng)利用WebAudio API，以一定的時(shí)間間隔檢測(cè)當(dāng)前錄音的音量，當(dāng)出現(xiàn)連續(xù)三個(gè)時(shí)間點(diǎn)的音量低于一定閾值時(shí)停止錄音。為了緩解錄音中包含大段空白或是錄音提前終止的情況，在錄入階段與糾錯(cuò)階段，設(shè)置了不同的時(shí)間間隔，一定程度上改善了用戶體驗(yàn)。

（2）錄制的音頻流將被發(fā)送至第三方語音識(shí)別API進(jìn)行語音識(shí)別。本系統(tǒng)使用訊飛語音識(shí)別API，由于該API使用Websocket協(xié)議通信，被瀏覽器允許直接進(jìn)行“跨域”請(qǐng)求，系統(tǒng)將直接音頻發(fā)送至訊飛服務(wù)器，減少了前后端間數(shù)據(jù)的傳輸。在收到了后端對(duì)話系統(tǒng)返回的文本后，發(fā)送至訊飛文字轉(zhuǎn)語音API進(jìn)行語音合成。其中，主要調(diào)節(jié)的參數(shù)是播報(bào)的語速，讓用戶感到系統(tǒng)能夠及時(shí)對(duì)每個(gè)輸入做出響應(yīng)。系統(tǒng)最后將合成的音頻流使用WebAudio API進(jìn)行播放。

3 實(shí)例驗(yàn)證與分析

3.1 實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)環(huán)境設(shè)置見表4。

表4 實(shí)驗(yàn)環(huán)境Tab.4 Experimental setting

3.2 數(shù)據(jù)集

本次實(shí)驗(yàn)獲取到2個(gè)不同錄入場(chǎng)景下的數(shù)據(jù)集。對(duì)此擬做闡釋分述如下。

場(chǎng)景的數(shù)據(jù)來源于上海市某大型三甲醫(yī)院的腸癌病理檢查數(shù)據(jù)，包含原始診斷文本以及12個(gè)屬性。其中，淋巴結(jié)轉(zhuǎn)移情況、基底切端、上切端、下切端、神經(jīng)侵犯、脈管侵犯為有預(yù)設(shè)候選值：是、否、無的屬性；標(biāo)本名稱、腫瘤大小、浸潤(rùn)深度、病理等級(jí)、分化程度、腺癌形狀為無預(yù)設(shè)候選值。訓(xùn)練集、測(cè)試集中包含的數(shù)據(jù)量分別為1 672、634。

場(chǎng)景的數(shù)據(jù)選取2019全國(guó)知識(shí)圖譜與語義計(jì)算大會(huì)（CCKS2019）面向中文電子病歷的醫(yī)療實(shí)體識(shí)別任務(wù)，以及屬性抽取任務(wù)中的部分?jǐn)?shù)據(jù)。其中包含原始文本以及疾病和診斷、影像檢查、實(shí)驗(yàn)室檢驗(yàn)、手術(shù)、藥物、解剖部位等6個(gè)無預(yù)設(shè)候選值的屬性。訓(xùn)練集、測(cè)試集中數(shù)據(jù)量分別為998、378條數(shù)據(jù)。

為了能夠模擬語音錄入、語音糾錯(cuò)的實(shí)際情況，將按2.1.1節(jié)方法中生成的對(duì)話文本，輸入到訊飛語音合成中產(chǎn)生語音，再將語音傳入訊飛語音識(shí)別模塊，最終生成語音識(shí)別后的文本。針對(duì)用于語音修改的文本，本文窮舉了所有屬性的所有值，配合一些預(yù)定的模板，生成了用于語音修改的語段，再經(jīng)過語音合成與語音識(shí)別，得到最終的糾錯(cuò)指令。

由于數(shù)據(jù)集中的每條文本記錄包含多個(gè)屬性，本文分屬性統(tǒng)計(jì)屬性值預(yù)測(cè)正確記錄的條數(shù)，并將其與總記錄條數(shù)的比值作為該屬性的準(zhǔn)確率。

3.3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)結(jié)果見表5、表6。

表5 場(chǎng)景ATab.5 Results of scenario A

表6 場(chǎng)景BTab.6 Results of scenario B

從錄入階段的結(jié)果可以觀察到，場(chǎng)景、中部分屬性準(zhǔn)確率較低，如病理等級(jí)、解剖部位等，導(dǎo)致錄入效果不佳。其中，有預(yù)設(shè)候選值的屬性準(zhǔn)確率都在90%以上，而無預(yù)設(shè)候選值的準(zhǔn)確率都相對(duì)較低，原因是預(yù)設(shè)候選值為“是”、“否”、“無”，語音識(shí)別的正確率更高。其次，從糾錯(cuò)階段的結(jié)果能夠看到，糾錯(cuò)階段大幅提升了屬性的準(zhǔn)確率，場(chǎng)景中所有屬性的準(zhǔn)確率均超過90%。實(shí)驗(yàn)證明，本系統(tǒng)使用同一模型，能夠在2個(gè)場(chǎng)景中完成錄入任務(wù)，說明系統(tǒng)具有一定的可擴(kuò)展性。

4 結(jié)束語

本文設(shè)計(jì)了基于任務(wù)型對(duì)話系統(tǒng)的電子病歷結(jié)構(gòu)化錄入系統(tǒng)，能夠讓用戶以人機(jī)對(duì)話的形式完成結(jié)構(gòu)化錄入。并且增加了糾錯(cuò)階段，讓用戶能夠通過語音，修改錄入有誤的屬性值，還通過實(shí)驗(yàn)驗(yàn)證了糾錯(cuò)階段的有效性。同時(shí)，該系統(tǒng)能夠使用一個(gè)模型完成2個(gè)不同場(chǎng)景的錄入任務(wù)，表明系統(tǒng)具有一定的可擴(kuò)展性。