基于医患对话的临床发现识别与阴阳性判别.pdf

摘要

当前，我国面临着医疗资源紧张，供给结构不平衡的挑战，居民的医疗获得感和

生命安全保障感不足。在这种背景下，智慧医疗提供了新的思路，医疗机构可以通过

互联网的形式提供更便捷、更高效的医疗服务，不仅可以增加服务供给数量，还能优

化资源配置结构，降低医疗成本；患者也可以通过线上问诊节约时间和精力并获得个

性化的医疗服务。

临床发现识别与阴阳性判别作为智慧医疗系统中的一个重要子任务，近年来得

到了越来越多研究者的关注。其目标是通过人工智能技术识别文本或图像中存在的

疾病与症状，并判断阴阳性状态，辅助医生进行诊断，提高医疗服务的效率。本文主

要针对医患对话文本进行研究。目前，该任务的主流研究方法是两阶段法：在第一阶

段使用序列标注模型进行命名实体识别，得到临床发现，在第二阶段对临床发现进行

分类，得到阴阳性状态。该方法存在以下问题：1）错误累积，在第一阶段出现的错

误会被带入第二阶段；2）缺少对话理解，将医患对话视为单一连续文本会忽略对话

的结构特征，阻碍模型充分理解对话信息；3）缺乏医学知识，该任务具有很强的专

业性质，模型缺乏医疗领域知识会严重影响模型表现。本文针对以上存在的问题提出

了三个相应的解决策略。主要工作如下：

（1）提出了统一生成方法处理临床发现识别与阴阳性判别任务。为了缓解错误

累积问题，本文将识别与判别两个子任务统一为一个序列生成问题，把医疗文本中的

词和阴阳性状态作为候选词表，使用生成式模型BART生成临床发现术语及其阴阳

性状态。同时，引入阴阳性指示词识别，辅助模型进行阴阳性判别。实验结果表明，

该方法获得了比基线方法更好的性能。

（2）提出了结合对话信息的统一生成方法。为了利用对话的语义、结构和位置

等信息，解决模型缺乏对话建模的缺点，我们在统一生成框架的基础上增加了对话信

息捕捉模块，通过构建静态-动态融合图对医患对话语义、结构进行建模，增强模型

的对话理解能力。通过启发式静态图捕捉对话间信息的交互与转移，通过多头注意力

机制构建动态图，以捕捉更深层次的对话信息。实验结果表明，该方法获得了比基线

方法更好的性能。

（3）提出了基于医学知识增强的临床发现识别与阴阳性判别方法。为了弥补模

型医学知识储备不足的问题，我们在结合对话信息的统一生成模型的基础上增加了

I

大语言模型作为外部医学知识库。首先，利用含有丰富医学知识的自然语言文本对大

语言模型进行知识增强；其次，通过大语言模型对医患对话进行摘要，识别出标准的

临床发现及其状态，将隐式知识显式化，为原有模型引入额外信息。实验结果表明，

该方法获得了比基线更好的性能。

关键词：医患对话；临床发现识别；阴阳性判别；生成式模型；知识增强

Ⅱ

ABSTRACT

Currently,Chinaisfacingchallengessuchaslimitedmedicalresources,imbalanced

supplystructure,andinsufficientsenseofmedicalaccessandlifesecurityforresidents.In

thiscontext,IntelligentHealthcareprovidesnewideas.Medicalinstitutionscanprovide

moreconvenientandefficientmedicalservicesthroughtheInternet,whichcannotonly

increasethenumberofservicesupplies,butalsooptimizetheresourceallocationstructure

andreducemedicalcosts;Patientscanalsosavetimeandenergythroughonline

consultationsandreceivepersonalizedmedicalservices.

Clinicalfi