[發(fā)明專利]病歷文本數(shù)據(jù)結(jié)構(gòu)化的文本分詞解析方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110223444.1
• 申請(qǐng)日: 2021-03-01
• 公開(kāi)（公告）號(hào): CN112949303A
• 公開(kāi)（公告）日: 2021-06-11
• 發(fā)明（設(shè)計(jì)）人: 鐘信真;左霖
• 申請(qǐng)（專利權(quán)）人: 山東健康醫(yī)療大數(shù)據(jù)有限公司
• 主分類號(hào): G06F40/289
• 分類號(hào): G06F40/289;G06F40/216;G06F40/242;G16H10/60
• 代理公司: 濟(jì)南信達(dá)專利事務(wù)所有限公司 37100
• 代理人: 潘悅梅

本發(fā)明公開(kāi)了病歷文本數(shù)據(jù)結(jié)構(gòu)化的文本分詞解析方法及系統(tǒng)，屬于病歷數(shù)據(jù)挖掘技術(shù)領(lǐng)域，要解決的技術(shù)問(wèn)題為如何解決傳統(tǒng)病歷數(shù)據(jù)中存在的挖掘效率低、精確性差以及不滿足病例實(shí)體映射關(guān)系的缺陷。包括如下步驟：基于醫(yī)療文本數(shù)據(jù)構(gòu)建醫(yī)學(xué)詞庫(kù)；基于詞庫(kù)詞典生成待分詞醫(yī)療文本數(shù)據(jù)的所有成詞，并基于上述所有成詞構(gòu)建有向無(wú)環(huán)圖；基于上述醫(yī)學(xué)詞庫(kù)和有向無(wú)環(huán)圖，通過(guò)動(dòng)態(tài)規(guī)劃查找最大歸零路徑查找語(yǔ)句詞頻的最大切分組合，得到帶有前后文順序和詞性的詞語(yǔ)集合；通過(guò)三元關(guān)系模型對(duì)上述詞語(yǔ)集合進(jìn)行解析，得到三元映射關(guān)系數(shù)據(jù)組；對(duì)上述三元映射關(guān)系數(shù)據(jù)組進(jìn)行標(biāo)準(zhǔn)化處理，得二元映射關(guān)系數(shù)據(jù)組。

技術(shù)領(lǐng)域

本發(fā)明涉及病歷數(shù)據(jù)挖掘技術(shù)領(lǐng)域，具體地說(shuō)是病歷文本數(shù)據(jù)結(jié)構(gòu)化的文本分詞解析方法及系統(tǒng)。

背景技術(shù)

醫(yī)學(xué)領(lǐng)域數(shù)據(jù)具有其特殊性，主要包括診斷、疾病、藥物、治療等類別，癌癥專病數(shù)據(jù)在這些類別基礎(chǔ)上，更加關(guān)注于和疾病相關(guān)的并發(fā)癥數(shù)據(jù)、病理及免疫組化數(shù)據(jù)，和治療相關(guān)的手術(shù)、放療、化療、靶向治療、中醫(yī)治療數(shù)據(jù)，和病人相關(guān)的家族史、疾病史數(shù)據(jù)等，這些數(shù)據(jù)大多為非結(jié)構(gòu)化或者半結(jié)構(gòu)化的文本數(shù)據(jù)存儲(chǔ)于患者病歷數(shù)據(jù)中。

數(shù)據(jù)挖掘主要是利用算法進(jìn)行相關(guān)信息抽取，將非結(jié)構(gòu)化的文本數(shù)據(jù)轉(zhuǎn)化為計(jì)算機(jī)可以識(shí)別、處理的結(jié)構(gòu)化數(shù)據(jù)。

傳統(tǒng)專病數(shù)據(jù)挖掘，由于數(shù)據(jù)源少、數(shù)據(jù)量小的原因，一般由人為手工識(shí)別處理，存在效率低、不滿足組大數(shù)據(jù)情況下專病數(shù)據(jù)治理挖掘的缺點(diǎn)。

基于上述分析，如何解決傳統(tǒng)病歷數(shù)據(jù)中存在的挖掘效率低、精確性差以及不滿足病例實(shí)體映射關(guān)系的缺陷，是需要解決的技術(shù)問(wèn)題。

發(fā)明內(nèi)容

本發(fā)明的技術(shù)任務(wù)是針對(duì)以上不足，提供病歷文本數(shù)據(jù)結(jié)構(gòu)化的文本分詞解析方法及系統(tǒng)，來(lái)解決如何解決傳統(tǒng)病歷數(shù)據(jù)中存在的挖掘效率低、精確性差以及不滿足病例實(shí)體映射關(guān)系的缺陷的技術(shù)問(wèn)題。

第一方面，本發(fā)明提供一種病歷文本數(shù)據(jù)結(jié)構(gòu)化的文本分詞解析方法，包括如下步驟：

基于醫(yī)療文本數(shù)據(jù)構(gòu)建醫(yī)學(xué)詞庫(kù)，所述醫(yī)學(xué)詞庫(kù)包括醫(yī)學(xué)詞語(yǔ)、權(quán)重和詞性，所述詞性包括詞語(yǔ)傳統(tǒng)詞性和詞語(yǔ)醫(yī)學(xué)詞性；

基于詞庫(kù)詞典生成待分詞醫(yī)療文本數(shù)據(jù)的所有成詞，并基于上述所有成詞構(gòu)建有向無(wú)環(huán)圖；

基于上述醫(yī)學(xué)詞庫(kù)和有向無(wú)環(huán)圖，通過(guò)動(dòng)態(tài)規(guī)劃查找最大歸零路徑查找語(yǔ)句詞頻的最大切分組合，得到帶有前后文順序和詞性的詞語(yǔ)集合；

基于詞語(yǔ)所處位置、詞語(yǔ)原本詞性以及詞語(yǔ)醫(yī)學(xué)詞性三個(gè)維度構(gòu)建三元結(jié)構(gòu)數(shù)據(jù)以及三元結(jié)構(gòu)數(shù)據(jù)之間的映射關(guān)系組成三元關(guān)系模型，并通過(guò)上述三元關(guān)系模型對(duì)上述詞語(yǔ)集合進(jìn)行解析，得到三元映射關(guān)系數(shù)據(jù)組；

對(duì)上述三元映射關(guān)系數(shù)據(jù)組進(jìn)行標(biāo)準(zhǔn)化處理，得二元映射關(guān)系數(shù)據(jù)組，所述二元映射關(guān)系數(shù)據(jù)組匹配標(biāo)準(zhǔn)醫(yī)療詞典。

作為優(yōu)選，所述詞語(yǔ)傳統(tǒng)詞性包括名詞、動(dòng)詞、副詞和標(biāo)點(diǎn)；

所述詞語(yǔ)醫(yī)學(xué)詞性包括診斷、疾病、藥品、化療方案、放療方案以及稱謂。

作為優(yōu)選，基于醫(yī)療文本數(shù)據(jù)構(gòu)建醫(yī)學(xué)詞庫(kù)，包括如下步驟：

獲取醫(yī)療文本數(shù)據(jù)，通過(guò)詞庫(kù)對(duì)醫(yī)療文本數(shù)據(jù)進(jìn)行分詞，得到分詞結(jié)果數(shù)據(jù)集；

通過(guò)TF-IDF算法模型對(duì)分詞結(jié)果數(shù)據(jù)集進(jìn)行關(guān)鍵醫(yī)學(xué)詞匯抽詞，得到抽詞結(jié)果數(shù)據(jù)集；

添加醫(yī)學(xué)詞匯相關(guān)的權(quán)重和詞性，得到包括醫(yī)學(xué)詞語(yǔ)、權(quán)重和詞性的醫(yī)學(xué)詞庫(kù)。

作為優(yōu)選，對(duì)抽詞結(jié)果數(shù)據(jù)集中連續(xù)多個(gè)單字進(jìn)行醫(yī)學(xué)詞匯組合拼接后，添加醫(yī)學(xué)詞匯相關(guān)的權(quán)重和詞性，得到包括醫(yī)學(xué)詞語(yǔ)、權(quán)重和詞性的醫(yī)學(xué)詞庫(kù)。

作為優(yōu)選，對(duì)于醫(yī)學(xué)詞庫(kù)中未登錄的醫(yī)療文本數(shù)據(jù)，通過(guò)基于漢字成詞的HMM模型進(jìn)行分詞。