医疗 NLP 能用在哪里？临床文档、患者的声音与癌症就医历程

从左上角的 NLP 任务四大类开始，再往下看多语言问题：大多数工具是用英文文本做出来的，处理其他语言有两条路。左下是一段癌症就医历程：诊断、治疗、缓解后随访，疑似复发时由弯箭头回到诊断，每一步都会产生报告。右边红色部分是问题所在：这些文档各自孤立、满是术语、要等稀缺的专家来读；下面的绿色一行是 NLP 能提供的帮助。底部的红色长句是我在实际工作中的观察，右下角是我的重点。

课程把医疗中的非结构化文本分成两种来源，微证书项目各用一门课来讲：

主观不等于没有信息。课上的例子：到一个陌生城市旅行、想订餐厅时，大多数人会看网上的评价。我们都知道评价很主观，但一家 4.8 分、一家 3 分，还是能帮我们做选择。同样，患者怎样描述自己的经历，对照护患者也是有用的信息。

✎ 阅读提示读图提示：图中把语音放在了 UGC 下面，但课上语音是单独讨论的，也包括给医生用的 AI 病历书写助手；另外，能识别否定只是做风险分层的前提之一，并不等于“实现精准风险分层”。

NLP 里的“处理”（processing）包含很多事情。课上把任务分成四列：

课上的两个例子。词义消歧：bank 可以是存钱的银行，也可以是河岸，要靠上下文判断。意图识别：患者发来一条消息，是在找信息，还是在表达害怕或沮丧？

这门课的重点任务是自然语言理解、问答、信息抽取和摘要；第三门课还会讲情感分析、话题切分、意图识别和情绪识别。句法类的几项任务在第一门课已经学过，见基础文本处理和分词、句子切分与贴标签。

NLP 大多以英文为主。 大部分 NLP 研究依靠的是英文文档集（语料库），而且主要是美式英语，很多由开发大语言模型的科技巨头挑选。但即使在加拿大，医疗系统里也有法语。处理另一种语言有两条路：

1. 先翻译，再建模：机器翻译已经很好，可以把法语文档翻译成英文，再用现有的英文工具处理。
2. 直接用这种语言建模：直接在法语文档上建模型。今天的大语言模型处理法语已经不成问题。

对法语、西班牙语、德语这样的主要西方语言，这个问题基本解决了；但对很多非洲、亚洲和中东的语言，多语言依然是难题。

语音是越来越多的数据来源：Siri、Alexa 这样的语音助手，以及现在给医生用的 AI 病历书写助手（AI scribe，这门课后面会讲）。最简单的做法是先把语音转写成文字，再用 NLP 分析。但语音里有文字丢掉的特征：音量和语速与情绪、心境有关——兴奋时说得快，累了说得慢，抑郁时可能变得很安静，连沉默本身都在传递信息。直接分析这些特征，能比只看转写稿了解得更深。不过这门课和第三门课处理的都是英文文本。

临床文档伴随患者走过整个就医过程。以癌症为例：

1. 诊断阶段：出现症状后做各种检查，可能是活检，也可能是手术。每一项操作都会产生报告，比如手术报告、病理报告。
2. 治疗阶段：几轮化疗、手术或放疗，每一轮都有报告。
3. 缓解后随访：定期复查，比如看家庭医生，每次又产生报告。
4. 如果疑似复发，又回到诊断阶段。

5 年、10 年、50 年下来，这些文档本可以拼出患者完整的健康史。

实际上，一段癌症就医历程里的文档很少能拼成这样的健康史：

• 各自孤立：每份报告只是为了做眼前下一步的局部决策，很少按时间串联起来。
• 满是术语：只有专家才能解读。
• 专家不够：医疗资源有限，等专家一份份读报告，可能耽误对时间敏感的治疗。

课程给出的方向是 NLP 辅助技术：用 NLP 和机器学习自动从临床文档中抽取关注字段（fields of interest）。这些字段能支持一系列下游任务：发现癌症、判断诊断分组（乳腺癌、结肠癌、白血病等）、根据既往病史预测治疗反应，以及做风险分层，让高风险病例优先、尽快得到治疗。

课上的例子是一份乳腺癌手术病理报告。报告不长，但信息很密，有好几个部分，病理医生在最终诊断里列了好几条。计算机应该找到的关注字段包括：

这份报告同时展示了三个难点：

1. 字段分散。 每个字段出现在哪里，取决于写报告的医生怎么写。
2. 解读要靠专家。 NLP 可以自动回答这些问题，这就是自然语言理解和问答。
3. 否定。 淋巴血管侵犯是癌症严重程度的标志性表现，而这份报告明确写的是没有。关键词搜索能找到这个词，意思却正好弄反。这里的“无”就在词的前面，但否定的写法可以有很多种：报告可能先说检查了淋巴血管侵犯，五句话之后才写“没有证据表明”。把这句话和前面的词联系起来（指代消解），也是理解文本的一部分。

抽取出来的字段会被填进结构化的表格，比如 Excel 表或 EHR，用来支持上面那些下游分析。下一课会讲这些抽取出来的字段怎样帮助改善患者照护。

其实这一期，也是我为什么会开始对 NLP 在医疗中的实际应用很感兴趣的原因。作为一个多年在学术研究环境里工作的人，我经常会想：这些研究真正的意义是什么？怎样才能真的帮助到大众？我不觉得大众会看发表的论文，这不是大众获取信息的传统渠道；这些论文更多是“圈子里”的人的语言。而在工作中我慢慢发现，在真实世界里，研究也可以和大众联系在一起。比如我们的临床试验会问参与者：如果有了研究成果，是否愿意让我们跟进告知。这让我对“学术研究”本身有了进一步的认识。

参与了各种各样的研究后，我也发现临床里记录信息的方法有很多种。EHR 里典型的记录是结构化数据，就像选择题；而临床笔记由各种医护人员（医生、护士、社工）记录，基本都是开放式的自由文本，在实际操作中会记录很多“原因”（reason）方面的信息。以前分析这些信息比较难，但随着 NLP 的发展，这类信息开始可以被利用起来了。

这篇笔记基于我在英属哥伦比亚大学（UBC）微证书项目“用自然语言处理改善患者照护”（Natural Language Processing to Improve Patient Care）中学习课程 Extraction and Analysis of Clinical Documents 的笔记（模块一，Raymond Ng 主讲的“Overview and Motivations”一课）。技术细节核对了：

• Christopher W. Elston 与 Ian O. Ellis（1991），Pathological prognostic factors in breast cancer. I. The value of histological grade in breast cancer，Histopathology（Nottingham 分级系统：8–9 分为 3 级）。
• Wendy W. Chapman 等（2001），A simple algorithm for identifying negated findings and diseases in discharge summaries，Journal of Biomedical Informatics（NegEx，处理临床否定表达的经典规则方法）。

动手试试

• medspaCy：开源的临床 NLP Python 库。它的 ConText 组件会把抽取出的发现标成否定、不确定或既往，可以用自己的句子看看“无淋巴血管侵犯”这类问题。