中文医学知识图谱构建实战：基于cmekg的数据标注词典设计与实现

1次阅读

没有评论

共计 2113 个字符，预计需要花费 6 分钟才能阅读完成。

中文医学文本标注面临几个核心挑战：

术语多义性 ：比如 ”ACS” 既可能指急性冠脉综合征 (Acute Coronary Syndrome)，也可能是抗凝血血清 (Anticoagulant Serum)
领域专有名词 ：像 ” 二甲双胍 ” 这样的药物名、” 冠状动脉造影 ” 等检查项目，需要专业词典支撑
表达变体丰富 ：” 心肌梗死 ” 可能被写作 ” 心梗 ”、” 心肌梗塞 ” 等多种形式

传统正则匹配方法在 CCKS2022 测试集上平均 F1 值仅 0.62，主要败在未登录词识别和术语歧义消解上。

采用三级设计实现术语的精准管控：

概念层 ：定义医学本体（如疾病、药品、检查等大类）
术语层 ：收录标准术语及其变体（例如 ” 高血压 ” 对应 ”HTN”、” 高压病 ” 等别名）
实例层 ：记录具体临床表述（包含病历中的常见口语化表达）

当出现术语重叠时，按以下优先级处理：

专科术语 > 通用术语（如 ” 房颤 ” 优先于 ” 心律失常 ”）
标准名 > 别名（” 胃镜检查 ” 优先于 ” 胃镜 ”）
长匹配 > 短匹配（” 急性淋巴细胞白血病 ” 优先于 ” 白血病 ”）

import json
from collections import defaultdict

class MedicalDictionary:
    def __init__(self, dict_path):
        try:
            with open(dict_path, 'r', encoding='utf-8') as f:
                self.data = json.load(f)
            self.build_index()  # 时间复杂度 O(n)
        except Exception as e:
            print(f"词典加载失败: {str(e)}")
            self.data = defaultdict(list)

    def build_index(self):
        """构建术语倒排索引"""
        self.term_index = defaultdict(list)
        for concept in self.data['concepts']:  # O(m*n) m 为概念数,n 为术语数
            for term in concept['terms']:
                self.term_index[term].append(concept)

    def match_term(self, text):
        """最长匹配查找"""
        max_len = 0
        result = None
        for term in self.term_index:  # O(k) k 为词典条目数
            if term in text and len(term) > max_len:
                max_len = len(term)
                result = self.term_index[term]
        return result

import re

def extract_medical_terms(text, dict_obj):
    """
    基于词典的正则增强匹配
    :param text: 输入文本
    :param dict_obj: MedicalDictionary 实例
    :return: 匹配到的术语列表
    """
    # 预处理：去除标点保留医学相关符号（如Ⅱ、% 等）cleaned = re.sub(r'[^\w\sⅡⅢⅣ%‰°]', ' ', text)

    # 获取词典所有术语构建正则模式
    terms = sorted(dict_obj.term_index.keys(), key=len, reverse=True)  # 按长度降序
    pattern = '|'.join(map(re.escape, terms))  # 时间复杂度 O(n)

    # 执行匹配
    matches = []
    for match in re.finditer(pattern, cleaned):  # O(m) m 为文本长度
        matches.append({'term': match.group(),
            'span': match.span(),
            'concepts': dict_obj.term_index[match.group()]
        })
    return matches