自然语言处理（NLP）在医疗领域的应用

小叶pyか

已于 2023-03-20 09:03:52 修改

阅读量2.1k

点赞数 3

分类专栏： NLP 文章标签：人工智能

于 2023-03-18 11:41:07 首次发布

本文链接： https://blog.csdn.net/m0_69478345/article/details/129633528

版权

NLP 专栏收录该内容

7 篇文章 3 订阅

订阅专栏

作者🕵️‍♂️：让机器理解语言か

专栏 🎇： NLP（自然语言处理）

描述 🎨：让机器理解语言，让世界更加美好！

寄语 💓：🐾没有白走的路，每一步都算数！🐾

自然语言处理（Natural Language Processing，NLP）是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。在各个领域都有其应用。

其在生物医学领域迅速发展，已经成为当前的研究热点。临床医学信息大量的以非结构化（或半结构化）文本形式存储于信息系统中，NLP是从医疗文本中提取有用信息的关键技术。通过自然语言处理，这些非结构化的医疗文本被转化为包含重要医学信息的结构化数据，科研人员才可以从这些结构化的数据中发现有用医学信息，从而提高医疗系统的运行质量，减少运行成本。
在美国，临床医学领域NLP的研究开始于20世纪60年代。早期的研究基于有限的电子医疗文本验证了NLP在医疗领域的可行性。到80年代和90年代，大量的医学数据和领域知识库被逐渐建立起来。例如SNOMED ——被广泛应用的临床医学术语知识库之一，UMLS（The Unified Medical Language System）——一体化医学信息系统，集成了150多种常用医学术语知识库。随后，大量的临床医学NLP系统开始出现，代表性的临床医学NLP系统有MedLEE、MetaMap、cTAKES、MedEx、KnowledgeMap等。这些临床医学NLP系统的应用覆盖了医学信息抽取、医学文本分类、医疗决策支持、病人信息管理、医疗信息问答、医学知识挖掘及知识库建立等诸多领域。

在医疗保健领域，数据并不只是来自患者健康记录、医嘱条目和医生处方。事实上，目前已有数百万人通过家用工具包将他们的基因信息上传到商业数据库。可穿戴技术也为消费者健康数据开辟了新渠道。但是，如果这些医疗数据不去使用，那增加再多也没有多大意义。许多专家一致认为，医疗数据的应用场景还远远不够。

自然语言处理(NLP)的诸多案例

自然语言处理(NLP)技术可以处理完全非结构化数据，公司采用NLP技术的一个主要目的是嵌入智能系统，以优化组织流程，提升时间利用效率，并减少运营成本。

不管怎样，将 NLP纳入医疗保健应用程序开发还有其他好处。

NLP可以将人类语言翻译成机器可读的形式，允许机器从提供的数据中获得意义。

医疗保健领域正使用NLP工具控制数据，这些数据的存储形式包括语音、文本、象形文字、照片等其他，通过它们得出有用结论。

研究表明，医疗保健领域的自然语言处理预计将从2016年的10.302亿美元增加到2021年的26.502亿美元，年复合增长率达20.8%。

在讨论这种颠覆性技术在医疗行业的使用之前，先来了解下NLP的实际含义。

NLP是人工智能的一个领域，旨在弥合人与机器人之间的鸿沟。借助NLP功能，一个强大的系统能够以人类可以理解的语音或文本形式理解、存储、处理和执行数据驱动得出的见解。

在医疗保健应用程序开发中，自然语言处理系统的重要性和用途日益增大。因此，像使用NLP构建聊天机器人这样的系统也在医疗行业引起了轰动。

在高效执行状态下，技术可以通过分析实时数据帮助临床医生简化管理操作流程，让他们将更多时间用于患者护理，以及改善患者体验方面。

NLP技术在医疗保健领域的8大使用案例

1.语音识别

近20年来，NLP在医疗保健领域的起源都与语音识别分不开，这项技术使得医生可以用快速转录处方录入电子健康记录(EHR)。

前端语音识别让医生可以不用坐在护理点电脑前口述处方，同时后端识别则在把转录文本发给人验证之前将问题先行纠正。

因为不再需要医疗转录员及向其支付的高昂费用，语音识别是最具成本效益的解决方案之一。

2.临床文件

由于NLP语音到文本的听写和结构化数据输入方式， NLP对语音识别的影响与临床文档密切相关，这种方式将医生从繁重且受限的电子健康记录结构中解放出来，从而更好地护理患者。
电子病历（EMR,Electronic Medical Record）也叫计算机化的病案系统或称基于计算机的病人记录（CPR,Computer-Based Patient Record）。它是用电子设备（计算机、健康卡等）保存、管理、传输和重现的数字化的病人的医疗记录，取代手写纸张病历。它的内容包括纸张病历的所有信息。美国国立医学研究所将其定义为：EMR是基于一个特定系统的电子化病人记录，该系统提供用户访问完整准确的数据、警示、提示和临床决策支持系统的能力。
电子病历是随着医院计算机管理网络化、信息存储介质–光盘和IC 卡等的应用及Internet的全球化而产生的。它是信息技术和网络技术在医疗领域的必然产物，是医院病历现代化管理的必然趋势，其在临床的初步应用，极大地提高了医院的工作效率和医疗质量，但这还仅仅是电子病历应用的起步。

3.计算机辅助编码(CAC)

CAC收集程序和治疗方案中的数据，以便捕获每一个可能的代码并优化声明。可能CAC提高了编码速度，但在提高编码的准确性上，它没有采取任何措施。

比如，克利夫兰诊所一项研究表明，虽然CAC缩短了编码时间，但若无有资质的编码员协助，它在单独使用时召回率和准确率较差。

4.临床试验匹配

临床试验匹配可能是“正在开发”类别中讨论最多的案例。例如，Linguamatics Health公司和Clinithink两家公司已经创建了NLP引擎来解决试验匹配问题，而IBM Watson Health和Inspirata两家公司则投入了大量资源来利用NLP辅助肿瘤研究。

在不久的将来，NLP似乎有能力使临床试验匹配成为一个无缝和自动化的过程。

5.数据挖掘研究

医疗保健系统中的数据挖掘允许企业减少决策的主观性，同时提供相关的医学知识。数据挖掘一旦开始，它可以成为知识发现的一种循环技术，帮助所有医疗保健公司制定合理的财务战略，以提供更好的患者护理。

医疗数据多以自然语言文本形式出现，这些医学文本资料中的知识是不同国家、不同时代人们智慧的结晶，展现的是大量未整理的文献资料以及诊疗记录。
由于自然人的学习能力有限，因此学者们尝试通过自然语言处理（NLP）辅助完成汇总中医知识的过程，将知识提炼出来，提取其中有用的诊疗信息，最终形成知识本体或者知识网络，从而为后续的各种文本挖掘任务提供标准和便利。NLP属于人工智能的子领域，其核心目的是使得计算机能够理解和生成人类的自然语言，任务主要包括信息抽取、机器翻译、情感分析、摘要提取等，所用到的技术包括命名体识别、语义消歧、指代消解、词性标注、结构分析等。大量医学文本资料中含有的病史、诊断、治疗方法、药物等名词，给NLP的应用提供了可能性。利用 NLP技术将隐藏在文本中的知识挖掘出来，对医学的发展具有重要意义

6.人工智能聊天机器人和虚拟抄写器

虽然目前还没有这样的解决方案，但语音识别应用程序很有可能帮助人类修改临床文书工作。亚马逊的Alexa或谷歌助手将是实现这一目标的理想选择。

微软和谷歌在这方面已经联手，以实现这一特定目标。目前，使用NLP构建聊天机器人可以获取患者症状并将其引导至最合适的治疗点。

7.根本原因分析

NLP的另一个有趣的方面是预测性分析的能力，以提供常见健康问题解决方案。数字医疗记录的大量缓存可以帮助识别地理区域、种族群体或其他不同人口群体的子集，这些子集在应用NLP时面临不同类型的健康差异。NLP系统对非结构化反应进行评估，以确定患者致病根源。

8.回顾管理和情绪分析

NLP还可以帮助医疗机构管理互联网评论。每天，它都可以从第三方列表中收集和分析数百条关于医疗保健的评论，此外还可以快速评估人类的情绪以及情绪表达的语境。

一些系统甚至可以在评论中倾听客户声音，这可以帮助医生了解消费者，比如怎样看待他们的护理，并用大家都懂的语言进行更有效的沟通。

9.医学影像领域

自然语言处理在医学影像领域也表现出良好的应用前景。一项医疗决策需要众多医疗信息支持，而医学影像是疾病筛查和诊断、治疗的最主要的信息来源，通过人工方式对医疗影像进行标注构建训练数据集具有非常大的挑战性，标注者需要具备相当程度的医学专业知识，不能像普通的图像标注任务一样进行众包。病灶的人工识别过程往往需要仔细阅片，并尽可能地发现和准确标注微小病灶，标注速度慢，标注成本高，因此很多情况下标注的准确度往往不令人满意。使用自然语言处理技术从这些文本中提取有价值的标签，对相关的影像进行标注，是自动化生成有标注影像数据集的一种有效途径。比如利用人工智能算法，构建并训练的深度学习模型，根据影像自动生成标注信息，实现分层次的CNN网络模型生成不同层级的输出词汇，或使用迁移学习算法模型生成数个词汇的描述。
通过人工智能算法自动生成医学影像标注信息有望通过人在环路（ human-in-the-loop）的方法，迭代构建基于临床数据的有标注、标准化、大规模数据。