日前，自然語言處理領(lǐng)域國際頂級會議 ACL 2020 (Association for Computational Linguistics)論文接收結(jié)果公布。大會共收到 3429 篇投稿論文，投稿數(shù)量創(chuàng)下新高。作為計(jì)算語言學(xué)和自然語言處理領(lǐng)域最重要的頂級國際會議，ACL 錄取論文代表了自然語言處理領(lǐng)域在過去一年最新和最高的科技水平以及未來發(fā)展潮流。

本屆大會，云知聲-中科院自動化所“語言與知識計(jì)算聯(lián)合實(shí)驗(yàn)室”共有3篇論文被收錄，分別在醫(yī)療對話的自動信息抽取、國際疾病分類（ICD）自動編碼，以及 ICD 自動編碼可解釋性等領(lǐng)域取得突破。這些最新的自然語言處理算法將為后續(xù)研究提供極具價(jià)值的經(jīng)驗(yàn)和方向，已在云知聲醫(yī)療業(yè)務(wù)率先應(yīng)用。

一種面向醫(yī)學(xué)對話的醫(yī)學(xué)信息提取器

MIE: A Medical Information Extractor towards Medical Dialogues

如今，電子病歷已經(jīng)成為現(xiàn)代醫(yī)療的重要組成部分，但是目前書寫電子病歷費(fèi)時(shí)費(fèi)力，已經(jīng)成為醫(yī)生的沉重負(fù)擔(dān)。如果能夠從醫(yī)療對話中自動地抽取醫(yī)學(xué)信息，將極大緩解醫(yī)生書寫病歷的壓力。

本文提出一個(gè)面向醫(yī)患對話文本的信息抽取系統(tǒng)，它可以從對話中抽取出癥狀、檢查、手術(shù)、一般信息及其相應(yīng)的狀態(tài)。這些抽取出的信息將有助于醫(yī)生書寫病歷，或者更進(jìn)一步地應(yīng)用于病歷的自動生成。研究團(tuán)隊(duì)收集并標(biāo)注了1120段在線問診的醫(yī)患對話作為數(shù)據(jù)集，采用滑動窗口形式進(jìn)行標(biāo)注，和序列標(biāo)注相比，減緩了標(biāo)注難度。在此基礎(chǔ)上，針對醫(yī)療問診對話文本的特點(diǎn)和難點(diǎn)，提出一種基于深度匹配的神經(jīng)網(wǎng)絡(luò)模型，能夠考慮到對話的多輪結(jié)構(gòu)，利用注意力機(jī)制捕捉對話中不同輪次之間的交互信息，從而完善醫(yī)學(xué)信息的抽取。

圖1：典型的醫(yī)學(xué)對話窗口和相應(yīng)的帶注釋的標(biāo)簽

HyperCore：基于雙曲空間和共現(xiàn)圖表示的 ICD 自動編碼

HyperCore: Hyperbolic and Co-graph Representation for Automatic ICD

Coding

國際疾病分類（International Classification of Dieases,ICD）是由世界衛(wèi)生組織發(fā)起的，針對各種疾病做出的國際通用的統(tǒng)一分類方法，這種方法賦予每種疾病一個(gè)獨(dú)特的編碼。ICD 編碼的普及和應(yīng)用能夠極大促進(jìn)世界范圍內(nèi)疾病的信息共享和臨床研究，并對健康狀況研究、保險(xiǎn)索賠、發(fā)病率和死亡率統(tǒng)計(jì)產(chǎn)生積極的影響。

長期以來，ICD 編碼一直由專業(yè)編碼員人工完成。人工編碼耗時(shí)費(fèi)力，而且非常容易出錯(cuò)，同時(shí)不斷更新 ICD 代碼版本會導(dǎo)致代碼數(shù)量大幅度增加，對編碼人員的要求越來越高。數(shù)據(jù)顯示，在美國每年因?yàn)榫幋a錯(cuò)誤以及用于提升編碼質(zhì)量的相關(guān)成本超過250億美元。

為了緩解人工編碼的問題，一些工作開始嘗試?yán)脵C(jī)器自動完成 ICD 編碼任務(wù)。但是現(xiàn)有的方法獨(dú)立地預(yù)測每個(gè)編碼，而忽略了編碼的兩個(gè)重要特征——層級性和共現(xiàn)性。

在本文中，研究團(tuán)隊(duì)提出了使用雙曲空間和共現(xiàn)圖卷積神經(jīng)網(wǎng)絡(luò)針對性地建模上述兩種性質(zhì)。具體來說，提出了一種雙曲線表示方法來利用編碼的層次結(jié)構(gòu)。此外，提出了一種共現(xiàn)圖卷積網(wǎng)絡(luò)來利用編碼的共現(xiàn)性。在國際公開數(shù)據(jù)集上的實(shí)驗(yàn)取得了最好的效果。

圖2：自動ICD編碼任務(wù)的示例

Clinical-Coder：面向中文臨床記錄的 ICD-10 自動編碼

Clinical-Coder: Assigning Interpretable ICD-10 Codes to Chinese Clinical Notes

國際疾病分類（ICD）作為世衛(wèi)組織成員國在衛(wèi)生統(tǒng)計(jì)中共同采用的對疾病進(jìn)行編碼的標(biāo)準(zhǔn)分類方法，是目前國際上通用的疾病分類方法。目前廣泛使用的國際疾病分類第十次修訂版（簡稱 ICD-10）的編碼數(shù)量達(dá)到了72,184個(gè)，是以前版本(ICD-9)的五倍多。

為了緩解人工編碼耗時(shí)、費(fèi)力、容易出錯(cuò)的問題，很多工作開始研究利用機(jī)器進(jìn)行自動的 ICD 編碼。這些方法雖然取得了很大的成功，但仍然面臨著預(yù)測結(jié)果可解釋性問題的嚴(yán)峻挑戰(zhàn)，可解釋的結(jié)果對臨床醫(yī)學(xué)決策具有重要意義。

針對此問題，并結(jié)合中文的語言特點(diǎn)，研究團(tuán)隊(duì)提出了一種基于空洞卷積和N-gram語言模型的ICD自動編碼方法，利用空洞卷積捕獲非嚴(yán)格匹配的語義片段證據(jù)，利用 N-gram 捕獲嚴(yán)格匹配的語義片段證據(jù)，進(jìn)而二者聯(lián)合使用，共同提升預(yù)測結(jié)果的可解釋性。實(shí)驗(yàn)結(jié)果顯示，該方法不僅能在中文數(shù)據(jù)集上取得顯著的效果，在國際公開的英文數(shù)據(jù)集上也有不錯(cuò)的效果。

圖3：兩種語義片段證據(jù)類型-非嚴(yán)格匹配和嚴(yán)格匹配

值得一提的是，在醫(yī)療領(lǐng)域，云知聲-中科院自動化所語言與知識計(jì)算聯(lián)合實(shí)驗(yàn)室基于自然語言處理技術(shù)構(gòu)建的醫(yī)療知識圖譜已儲備約 50萬醫(yī)學(xué)概念，超過 169 萬醫(yī)學(xué)術(shù)語庫和 398 萬醫(yī)學(xué)關(guān)系庫，涵蓋了絕大部分藥品、疾病、科室與檢查，規(guī)模達(dá)國際領(lǐng)先水準(zhǔn)，并在語音病歷，病歷生成、病歷質(zhì)控、輔助診斷系統(tǒng)等具體應(yīng)用中發(fā)揮了重要支撐作用。

關(guān)于 ACL ：ACL 是自然語言處理領(lǐng)域頂級國際學(xué)術(shù)會議，由計(jì)算語言學(xué)學(xué)會（Association for Computational Linguistics）主辦，每年舉辦一次。其接收的論文覆蓋了語言模型、句法分析、語義分析、篇章分析等計(jì)算語言學(xué)基礎(chǔ)研究以及信息抽取、問答系統(tǒng)、對話生成、機(jī)器翻譯、自動文摘、情感分析、社會計(jì)算等自然語言處理應(yīng)用研究等眾多方向。第 58 屆 ACL 年會 ACL 2020 原定于 7 月 5 日-10 日在美國華盛頓西雅圖舉行，因疫情影響今年將改為在線會議。