5G 技術(shù)應(yīng)用于醫(yī)療領(lǐng)域發(fā)展趨勢的研究＊

黃冠維，潘偉東

（1.嶺南師范學(xué)院商學(xué)院，廣東 湛江524048；2.廣州京諾知識(shí)產(chǎn)權(quán)代理有限公司，廣東 廣州 510030）

1 研究背景

5G 技術(shù)走進(jìn)生活并快速促進(jìn)生活的發(fā)展。信息技術(shù)在醫(yī)療行業(yè)中的引入不斷提高了該行業(yè)的發(fā)展水平。5G 技術(shù)的超高速、超大型連接和超低延時(shí)可以極大地提高醫(yī)療服務(wù)的效率，同時(shí)，醫(yī)療行業(yè)5G 技術(shù)的發(fā)展將促進(jìn)醫(yī)療服務(wù)的智能化。5G 技術(shù)的發(fā)展將導(dǎo)致整個(gè)網(wǎng)絡(luò)生態(tài)系統(tǒng)的變化，人工智能、虛擬現(xiàn)實(shí)、云計(jì)算、物聯(lián)網(wǎng)、大視頻等與網(wǎng)絡(luò)速度相關(guān)的領(lǐng)域?qū)l(fā)生根本性的鏈?zhǔn)阶兓瑥亩贯t(yī)療技術(shù)領(lǐng)域的發(fā)展更加實(shí)用。

由于人口眾多和老齡化加劇，中國一直面臨著醫(yī)療費(fèi)用高、看病困難的醫(yī)療問題。中國人口在世界人口中占比大，但與之相反的是，醫(yī)療衛(wèi)生資源卻占世界的很小一部分，這說明了有限的醫(yī)療資源分布不均。解決當(dāng)前醫(yī)療行業(yè)問題的有效方法是，在借助5G 高速互聯(lián)網(wǎng)的基礎(chǔ)下，大力發(fā)展醫(yī)療服務(wù)技術(shù)。通過5G 技術(shù)的普及，“互聯(lián)網(wǎng)+醫(yī)療”的發(fā)展空間得到巨大提升。因此，第五代通訊技術(shù)（簡稱“5G”）將在醫(yī)療領(lǐng)域有更為突出的發(fā)展與應(yīng)用，如何從大量“5G+醫(yī)療”學(xué)術(shù)文獻(xiàn)中找出發(fā)展趨勢是本研究所探究的問題。本研究通過文本挖掘，通過對(duì)學(xué)術(shù)文章進(jìn)行文本分析，從知網(wǎng)上下載近3 年發(fā)表的學(xué)術(shù)文本做分詞處理并使用 詞 頻-逆 文本 頻 率 指 數(shù)（Tеrm Frеquеnсy-Invеrsе Dосumеnt Frеquеnсy，TF-IDF）算法計(jì)算詞權(quán)重；再利用支持向量機(jī)（Suрроrt Vесtоr Mасhinе，SVM）對(duì)詞頻構(gòu)建模型，對(duì)“5G+醫(yī)療”的相關(guān)研究提取出關(guān)鍵詞組并進(jìn)行分類與預(yù)測，找出未來的“5G+醫(yī)療”的趨勢脈絡(luò)，以期待未來在醫(yī)療領(lǐng)域與相關(guān)產(chǎn)業(yè)中得到可持續(xù)性發(fā)展。

2 文獻(xiàn)綜述

2.1 文本挖掘的研究現(xiàn)狀

在文本挖掘中，詞頻度挖掘技術(shù)是一個(gè)重要的研發(fā)方向。近年來，國內(nèi)外研究人員在這一領(lǐng)域進(jìn)行了大量研究，并致力于從海量的文本數(shù)據(jù)中發(fā)現(xiàn)更多有價(jià)值的信息，并利用這些信息創(chuàng)造更多的社會(huì)價(jià)值。國外的文本挖掘研究在早期就已得到了快速發(fā)展，且應(yīng)用化的挖掘技術(shù)有了成熟的技術(shù)手段。BARKER等[1]提出了一種基于文本詞性的關(guān)鍵詞提取的文本挖掘方法。該方法首先對(duì)文檔進(jìn)行句法分析和詞性標(biāo)注，并計(jì)算文檔中每個(gè)關(guān)鍵詞的出現(xiàn)頻率。通過計(jì)算其TF-IDF 權(quán)重?cái)?shù)值，然后輸出權(quán)重排名優(yōu)先級(jí)最高的詞語作為模型分類結(jié)果。

有別于國外研究，受限于中文具有歧義以及語法的特殊性且較英語來說相對(duì)復(fù)雜，故研究中文的文本挖掘相對(duì)晚于國外。中國的中科院計(jì)算機(jī)技術(shù)研究所率先自主開發(fā)和研制推出了ICTCLAS 中文文本分詞系統(tǒng)，并于2004 年又推出了具有詞性標(biāo)注等多種功能的改進(jìn)版NLPIR 中文分詞系統(tǒng)[2]，使得這個(gè)處理系統(tǒng)不但具有簡單的現(xiàn)代漢語中文分詞處理功能，而且還具有多種不同詞性的拼音標(biāo)注等多種實(shí)用功能。同時(shí)，國內(nèi)學(xué)者開發(fā)了基于Pythоn 的Jiеbа 分詞包[3]，該分詞包已實(shí)現(xiàn)將中文準(zhǔn)確分詞的系統(tǒng)，使中文分詞工具更具簡易性。何洋[4]將文本挖掘技術(shù)用于處理大型學(xué)術(shù)文檔集，大大減少了人工閱讀的工作量。陳旭[5]以京東商城網(wǎng)站中筆記本電腦用戶評(píng)論數(shù)據(jù)文本為基礎(chǔ)，運(yùn)用網(wǎng)絡(luò)爬蟲技術(shù)進(jìn)行文本挖掘，然后用LDA 算法進(jìn)行文本主題的提取，并通過模型評(píng)估，發(fā)現(xiàn)LDA 模型能夠有限實(shí)現(xiàn)文本主題的挖掘。

目前，國內(nèi)許多學(xué)者已經(jīng)在相關(guān)領(lǐng)域進(jìn)行了研究。王東波等[6]以醫(yī)學(xué)期刊作為基礎(chǔ)，對(duì)其R7 分類下的文本，利用SVM 技術(shù)進(jìn)行自動(dòng)文本分類研究。劉敏[7]以文本挖掘?yàn)橹攸c(diǎn)，以煤礦監(jiān)測數(shù)據(jù)為研究對(duì)象，利用煤礦監(jiān)測數(shù)據(jù)作為文本數(shù)據(jù)集，實(shí)現(xiàn)煤礦事故案例的自動(dòng)分類。李鋒剛等[8]為了解決傳統(tǒng)分類問題中相似度和主題統(tǒng)一性的問題，將SVM 分類模型和LDA 主題模型相結(jié)合，該方法能夠極大地解決分類問題的相似性度量和主題單一性。何夢嬌等[9]在對(duì)城市交通管理輿情相關(guān)文本的自動(dòng)數(shù)據(jù)分析進(jìn)行自動(dòng)預(yù)處理后，運(yùn)用了SVM 模型成功完成了對(duì)城市交通管理輿情相關(guān)文本的自動(dòng)分析歸類。

2.2 自然語言處理技術(shù)

目前，在英文文本處理方面已經(jīng)有了大量的研究成果，但由于漢語表達(dá)的復(fù)雜性和多樣性，其研究成果還沒有英文文本那么多。文本數(shù)據(jù)基本是指以短語、句子等方式呈現(xiàn)的。一般而言，文本數(shù)據(jù)中可能包含了許多毫無意義的符號(hào)。對(duì)于這些毫無實(shí)際意義的符號(hào)，需要進(jìn)行預(yù)處理，否則可能會(huì)影響到文本分析結(jié)果的準(zhǔn)確性[10]。而文本挖掘的預(yù)處理可以分為文本數(shù)據(jù)庫的清洗、去除字或停用詞、詞性信息標(biāo)注以及特征詞提取[11]。

2.2.1 文本分詞

中文分詞的方法有3 種[12-13]，分別是詞匯匹配、文本統(tǒng)計(jì)以及文本語義。

基于詞匯匹配的分詞方法：具體分詞細(xì)分步驟是將原始語句中的每個(gè)詞匯與構(gòu)建好的語料庫進(jìn)行匹配，如果在構(gòu)建好的語料庫中匹配了相應(yīng)的詞匯，則識(shí)別該詞，并把這個(gè)詞從句子中分割，否則繼續(xù)匹配其他詞匯，直到完成整個(gè)句子的分割為止。按照語料庫匹配、句子分割的計(jì)算方式不同，可以把基于語料庫匹配的分詞歸為3 類：第一類為最大匹配法，第二類是逆向最大匹配法，第三類則是雙向匹配法。

基于文本統(tǒng)計(jì)的分詞方法：若一個(gè)詞與相連接起來的兩個(gè)字?jǐn)?shù)次出現(xiàn)在不同的語境中，則會(huì)有一定概率地認(rèn)為這些字與相連接起來的一個(gè)詞組成了某個(gè)詞語。對(duì)于這種分詞算法，首先要選取一定的統(tǒng)計(jì)模型對(duì)單個(gè)的句子進(jìn)行分詞處理，然后據(jù)此劃分的結(jié)果計(jì)算其概率，使其得到最大概率的分詞方法，常用的算法有隱形馬爾可夫模型和條件隨機(jī)場等算法模型[14]。

基于文本語義的分詞方法：通過語句的語義來進(jìn)行分詞處理，對(duì)拆分句子的語義進(jìn)行分析，實(shí)現(xiàn)中文文本分詞。

比較3 種分詞方法，能夠發(fā)現(xiàn)基于統(tǒng)計(jì)的分詞方法比另外兩種分詞方法更具實(shí)用性。

2.2.2 詞性標(biāo)注

詞性標(biāo)注技術(shù)[15]已經(jīng)是現(xiàn)代科學(xué)自然語言處理的一項(xiàng)重要基礎(chǔ)知識(shí)技術(shù)，詞性標(biāo)注是在分詞過程中，對(duì)劃分的詞語并結(jié)合句子的語境進(jìn)行的工作。通過機(jī)器對(duì)詞語進(jìn)行詞性標(biāo)注，區(qū)分文本數(shù)據(jù)句子中詞語的詞性，可以為后續(xù)文本分類工作提供更高準(zhǔn)確率的計(jì)算。例如，代表地點(diǎn)、物體和人的詞語都是名詞類別，代表動(dòng)作或描述某種狀態(tài)變化的詞語都是動(dòng)詞，用于描述、概括或描述人或事物的詞都是形容詞。

2.2.3 去除停用詞

文本數(shù)據(jù)在經(jīng)過了使用中文進(jìn)行分詞、詞性標(biāo)記后，得到的數(shù)據(jù)存在噪音，需要對(duì)處理后的數(shù)據(jù)集進(jìn)行降噪處理，也就是去除停用詞。根據(jù)研究需求，在處理文本分詞過程中設(shè)定停用詞，以此過濾掉一些對(duì)研究無意義的詞，如此可能提高分詞后的語料數(shù)據(jù)集的質(zhì)量與挖掘文本信息的價(jià)值[16]。

2.2.4 特征提取

文本數(shù)據(jù)在經(jīng)過用中文分詞、詞性標(biāo)注、去除停用詞后，剩余許多文本詞匯。如果將預(yù)處理的詞匯直接用作文本的特征，將導(dǎo)致特征向量的維數(shù)巨大。利用特征選擇的方法來減少文本詞匯的特征維度來提高模型的性能。目前流行使用的特征詞提取技術(shù)是TF-IDF 算法[17]。

TF 是指以詞頻計(jì)算為基礎(chǔ)的算法。這種算法首先確定一個(gè)范圍，保留詞頻大于設(shè)定范圍的詞語，并刪除詞頻小于設(shè)定范圍的詞語。但是，這種方法忽略了與文本詞匯相比詞頻較低的特征詞。如果刪除了這些重要的單詞，則造成文本特征提取不準(zhǔn)確，并且后續(xù)的文本分析結(jié)果具有較大的誤差。TF 值表示某個(gè)詞語在本文檔中出現(xiàn)的頻數(shù)大小。TF 值越大，則說明該詞語在本文檔的頻數(shù)大。另一方面，它也表明該詞對(duì)整個(gè)文檔非常重要。在某種意義上，可以說該詞語反映了本文檔的主題詞。TF 值的具體計(jì)算公式如下：

式（1）中：X（TF）ij為詞語j在k文檔中的頻數(shù)；nij為在k文檔中此詞語j出現(xiàn)的頻數(shù)；為文檔k中所有詞語的出現(xiàn)總數(shù)統(tǒng)計(jì)值。

IDF 是指在整個(gè)文檔集合中某個(gè)單詞或字符串出現(xiàn)的總次數(shù)，而不是僅僅計(jì)算在一篇文檔中出現(xiàn)的次數(shù)，這也是與TF 算法的差異。其計(jì)算公式如下：

式（2）中：|D|為總的文檔數(shù)；|Dj|為某一特定詞語或字符串j在所有文檔|D|中出現(xiàn)的次數(shù)，為包含特征詞的文檔數(shù)目。

將公式（1）與（2）組合來進(jìn)行分析和統(tǒng)計(jì)，評(píng)估某一個(gè)關(guān)鍵詞語的具體重要性有用程度。該算法的思路就是當(dāng)一個(gè)詞語的重要性與它在一個(gè)文檔中可能再次出現(xiàn)的逆文本頻率大小成正比；反之，這個(gè)詞語的重要性與它在語料庫中再次可能出現(xiàn)的逆文本頻率大小成反比。因此形成式（3）：

3 實(shí)驗(yàn)設(shè)計(jì)

3.1 數(shù)據(jù)采集與預(yù)處理

本研究以“5G”以及“醫(yī)療”為檢索詞將中國知網(wǎng)近3 年共65 篇學(xué)術(shù)文獻(xiàn)資料作為文本數(shù)據(jù)的信息來源，以此為初始文本數(shù)據(jù)集。之后提取的全部內(nèi)容寫入tхt 文件中，作為語料數(shù)據(jù)集。接著用Jiеbа 分詞工具來對(duì)語料數(shù)據(jù)集進(jìn)行分詞處理。對(duì)于分詞算法的選擇，本研究選用的是基于精確模式的分詞算法，并且將毫無意義的短語、單詞、標(biāo)點(diǎn)符號(hào)等設(shè)置成停用詞。最終得到12 943 組詞語，共94 747 個(gè)詞匯。

3.2 特征提取

透過TF-IDF 算法對(duì)樣本數(shù)據(jù)進(jìn)行特征抽取，從樣本數(shù)據(jù)中篩選出名詞、名動(dòng)詞和動(dòng)詞3 種詞，其中將排名前2 000 的單詞作為屬于“5G+醫(yī)療”的關(guān)鍵特征詞。

4 實(shí)證分析

4.1 模型實(shí)現(xiàn)與評(píng)估

本研究構(gòu)建的SVM 分類模型采取二分類法，將屬于前2 000 個(gè)關(guān)鍵特征詞賦值為1（視為“5G+醫(yī)療”的關(guān)鍵詞），而非“5G+醫(yī)療”則賦值為0。透過調(diào)整核函以及控制迭代次數(shù)，將總體準(zhǔn)確率超過90%以上作為停止條件來得到最佳的文本分類模型。此外，本研究還與其他算法進(jìn)行比較，隨機(jī)生成20 組文本數(shù)據(jù)集對(duì)其結(jié)果進(jìn)行平均準(zhǔn)確率的計(jì)算，其分類預(yù)測準(zhǔn)確率的結(jié)果如圖1 所示。

圖1 分類模型的平均準(zhǔn)確率

從圖1 中的分類準(zhǔn)確率計(jì)算結(jié)果中可以看出，4個(gè)模型的分類結(jié)果都較優(yōu)。平均準(zhǔn)確率都達(dá)到了90%以上，其中線性支持向量機(jī)模型的平均準(zhǔn)確率最大，為93.81%，核支持向量機(jī)分類的平均準(zhǔn)確率最小，為92.71%。通過對(duì)分類模型準(zhǔn)確率的評(píng)估和分析，驗(yàn)證了本文提出的分類結(jié)果的有效性。

4.2 趨勢分析

將分類詞與在文章詞權(quán)重大小作為文章重要程度的標(biāo)準(zhǔn)，文章重要程度越大說明該篇文章對(duì)“5G+醫(yī)療”有相關(guān)發(fā)展性的描述越多，通過借鑒參考該文章內(nèi)容，綜合“5G+醫(yī)療”研究技術(shù)得出前人普遍認(rèn)同的“5G+醫(yī)療”的關(guān)鍵詞集合，能找出“5G+醫(yī)療”的發(fā)展趨勢、熱點(diǎn)，是對(duì)未來研究的靈感來源。

本研究從2 000 個(gè)關(guān)鍵特征詞中隨機(jī)抽取20 個(gè)關(guān)鍵特征詞形成詞袋，透過詞袋方式與文章題目進(jìn)行匹配，找到相對(duì)重要的學(xué)術(shù)文獻(xiàn)，得出重要程度排名前五的文章如圖2 所示。

圖2 文章重要程度排名前五的文章

5 結(jié)論

本研究主要集成了計(jì)算機(jī)科學(xué)、醫(yī)學(xué)以及通信科學(xué)的跨學(xué)科知識(shí)、方法與技術(shù)手段，將醫(yī)療領(lǐng)域中所涉及到的詞匯發(fā)掘較多的價(jià)值信息提煉成關(guān)鍵詞，從學(xué)術(shù)文獻(xiàn)中對(duì)其文本挖掘。大數(shù)據(jù)時(shí)代來臨，使得學(xué)科領(lǐng)域中的文本數(shù)據(jù)海量增長，精準(zhǔn)地提取文本中具有價(jià)值信息的方法對(duì)該領(lǐng)域發(fā)展方向顯得極為重要。

由于5G 作為一種新興的通信技術(shù)，在醫(yī)療領(lǐng)域中可起到快速響應(yīng)的作用。因此，本研究運(yùn)用文本挖掘?qū)Α?G+醫(yī)療”學(xué)術(shù)文本進(jìn)行分類并預(yù)測，研究發(fā)現(xiàn)5G 技術(shù)在醫(yī)療領(lǐng)域中對(duì)于遠(yuǎn)程、診斷、救治、治療等起到了關(guān)鍵作用。由此可知，在未來的醫(yī)療領(lǐng)域的相關(guān)業(yè)務(wù)功能中，5G 技術(shù)的應(yīng)用是加強(qiáng)實(shí)時(shí)性的角色。

本研究除了進(jìn)行關(guān)鍵詞的挖掘之外，還運(yùn)用了5G技術(shù)匹配到醫(yī)療領(lǐng)域的重要學(xué)術(shù)文章，從而間接了解了醫(yī)療領(lǐng)域中的發(fā)展趨勢、研究熱點(diǎn)以及可持續(xù)發(fā)的方向。