Writing

NLP (6) — Named Entity Recognition

Why named entity recognition is needed, with a medical-domain example covering annotation, model configuration, deployment, and optimization.

Why Named Entity Recognition Is Needed

General tools like HanLP and HTP cannot recognize domain-specific proper nouns, so dedicated NER algorithms are required. Below we use the medical domain as an example.

Annotation

  • Manual annotation

  • Machine annotation via bootstrapping — e.g. given “apple” in text about fruit, the system auto-labels “peach”, “plum”, etc. (Baidu)

  • Medical annotation example: imaging such as “head CT”; “lacunar infarction” as disease; relation: test confirms disease.

image

First boundary detection, then category assignment. Medical entity types include disease, disease type, symptom, test, treatment, plus modifiers for disease and symptom. English labels: (Disease), (Disease Type), (Symptom), (Test), (Treatment).

关系抽取研究主要关注这六类实体关系的抽取: 治疗和疾病之间的关系, 比如治疗施 加于疾病;
治疗和症状之间的关系, 比如为缓解症状而施加的治疗; 检查和疾病之间的关系, 比如检查证实疾 病;
检查和症状之间的关系, 比如检查发现症状; 疾病和症状之间的关系, 比如疾病导致症状;
疾病和疾病诊 断分类之间的关系, 该关系表示疾病的进展程度。
关系抽取研究主要关注这六类实体关系的抽取: 治疗和疾病之间的关系, 比如治疗施 加于疾病;
治疗和症状之间的关系, 比如为缓解症状而施加的治疗; 检查和疾病之间的关系, 比如检查证实疾 病;
检查和症状之间的关系, 比如检查发现症状; 疾病和症状之间的关系, 比如疾病导致症状;
疾病和疾病诊 断分类之间的关系, 该关系表示疾病的进展程度。
  • Modifiers: absent, family (not the patient), present, conditional, possible, hypothetical, occasional
中文电子病历命名实体和实体关系标注体系及语料库构建 9 在是否发生患者本人这个方面有两个修饰:
(1)否认: 患者主动否认、或肯定不发生于患者身上。 比如: 各瓣膜区未闻及病理性杂音。 全腹无压痛、反跳痛及肌紧张。 腹壁静脉曲张: 无
 (2)非患者本人: 发生于患者家属, 该种修饰可能和“否认”重叠, 若发生此种情况, 选择否认。 比如: 其父母均患有糖尿病 在发生于患者本人的确定程度这个方面有五个修饰:
(3)当前的: 肯定发生或正在发生于患者本人的疾病和症状。 比如: 头晕、呕吐伴右下肢无力。 自诉有冠心病史。 头CT示:双侧多发腔梗。
(4)有条件的: 当前不一定发生, 在某种条件具备的情况下, 才发生。 比如: 该患者于入院前3个月开始出现阵发性胸闷、心慌, 常于饮酒后出现。
 (5)可能的: 不确定当前会发生, 需要进一步的证据才能确定。 比如: 不排除缺血性疾病。 右肺中下叶考虑创伤性湿肺。 临床初步诊断: 脑梗死、高血压病、糖尿病。
(6)待证实的: 当前不会发生, 但预期会发生。 比如: 手术一周后会有局部瘙痒 多在皮疹出现后1~4周左右出现血尿和 (或) 蛋白尿。
(7)偶有的: 指症状或者疾病当前不经常出现, 或者出现的频率较低。 比如: 病程中患者走路不稳, 偶有头晕。 大便偶有一过性发白。 时有胸闷气短。
  • Annotation schema
3.1疾病 DIS,DISEASE
疾病必须是能够治疗的，其语义范围包括：疾病或者综合征、受伤或中毒、先天性畸形、病毒细菌、病理功能、细胞或分子功能障碍、获得性异常、解剖异常、肿瘤进程、精神或行为障碍等。
1。1。1 疾病诊断分型 DT, DISEASE TYPE
疾病的具体分类，表示疾病的进展程度，疾病诊断分类一般出现在诊断里。如：
1）失代偿期  DT
2）III期DT
3）II型  DT
3.2 症状
症状是能够被改善或治愈的，并且能够被否定词修饰，为疾病的表现。包括患者向医生陈述的不适感觉(症状)和医生观察到的（体征）或者检查结果，如：
3.2.1患者向医生陈述的不适感觉(症状) SYM,SYMPTOM
1）疼痛时伴有右下肢活动受限。（“疼痛“ 、”右下肢活动受限”）；
2）伴活动后心慌气短。（“心慌”、“气短”）
3.2.2医生观察到的（体征）ST
1）双肺听诊可闻及少量痰鸣音。（“痰鸣音”）
2）自带胸片示左下肺症病变。（“左下肺症病变”）
3）双肺听诊无著征。（“著征”）
3.3 检查 TES,TEST
检查是为了发现、证实疾病或症状，找到更多关于疾病或症状的信息而施加给患者的检查项目，包括：化验过程，诊断过程等。如：
1）头CT显示脑实质内高密度灶。（“CT”）
2）血压最高达到180/130mmHg。（“血压”）
3）双肺听诊无著征。（“听诊”）
4）自带胸片示左下肺症病变。（“胸片”）
3.4 治疗
治疗是能够治疗疾病或者缓解症状而施加给患者的手段，包括手术、药品、措施等。本标注语义类型包括:药物、手术。如：
3.4.1药品 DRU,DRUG
1）奥扎格雪、脑蛋白水解物等静点 (药物“奥扎格雪”和“脑蛋白水解物”)。
3.4.2手术 SUR,SURGERY
1）4年前行胆囊切除术。（手术“胆囊切除术”）
2）鼻内镜下行双筛、双上颌窦。（手术“鼻内镜”）
3.4.3措施(非手术，非药品的治疗) PRE,precaution
3.5实体修饰词标注
3.5.1 否认词(AT,,absent)标注：
 各瓣膜区未闻及病理性杂音
 全腹无压痛、反跳痛及肌紧张
3.5.2条件词(CL,conditional)标注：
在某种条件具备的情况下才发生的词。
比如:该患者于入院前3个月开始出现阵发性胸闷、心慌，常于饮酒后出现。
再如：吃红薯后血糖升高
3.5.3既往信息词（PT,past）
明确表示患者过去有过的治疗史或疾病症状，比如：
有多年心脏病史。
该患者于入院前3个月开始出现阵发性胸闷、心慌，常于饮酒后出现。
3.5.4时间标注统一标为TE
该患者于入院前3个月开始出现阵发性胸闷、心慌，常于饮酒后出现。
3.5.5！！可能性词:
不确定当前会发生，需要进一步的证据确认的词。如：
不排除缺血性疾病。/右肺中下叶考虑创伤性湿肺
待证实词：当前不会发生，但预期会发生。比如：
手术一周后会有局部瘙痒
3.5.6程度词标注（AM,AMOUNT），非量化的数量描述词，如大小、多少、程度（明显等）等
双肺听诊可闻及少量痰鸣音。
3.5.7解剖位置
    器官（REG，REGION）
部位词（ORG,ORGEN）
3.5.8频率词 （FW,Frequency Word）
患者走路不稳，偶有头晕。时有胸闷气短。
反复胸闷，憋气，持续时间长短不等。

Annotation format: 突发 AM 头晕 SYM 伴 O 恶心 SYM 呕吐 SYM 3小时 TE

Encoding Label IDs

Use BIESO for boundaries: Begin, Inside, End, Single, Other. BIO is also common.

image

Annotating Data

Split into training and test sets.

image

Configuration Parameters

{
    "model_type": "idcnn",特征抽取的模型
    "num_chars": 3538,语料库的实体数目
    "char_dim": 100,每个字的维度，embedding，把3538维度进行降维
    "num_tags": 51,标记的种类数目
    "seg_dim": 20,把边界BIOES增维，变成20维，上采样，所以每个字是120维度，使得边界信息更加丰富
    "lstm_dim": 100,120维度，卷积之后的通道数
    "batch_size": 20,
    "emb_file": "/usr/zxy/NER_IDCNN_CRF/data/vec.txt",
    "clip": 5,防止梯度爆炸
    "dropout_keep": 0.5,
    "optimizer": "adam",
    "lr": 0.001,
    "tag_schema": "iobes",
    "pre_emb": true,预序列嵌入，embeding文件
    "zeros": true,
    "lower": false字母小写
}

Model Save Location and Files

image

Backend Deployment

Use Flask; for high concurrency with many simultaneous users, Django is an option.

from flask import jsonify
from flask import Flask
from flask import request
@app.route('/', methods=['POST','GET'])
def get_text_input():
    #http://127.0.0.1:5002/?inputStr="神经病"
    #如果遇到显示问题：下载QQ浏览器，将编码设置为utf-8
    text=request.args.get('inputStr')
    #if len(text.strip())>0:
    from flask import jsonify
    if text:
        aa=model.evaluate_line(sess, input_from_line(text, char_to_id), id_to_tag)
        print(aa)

Dilated Convolution

Multiple dilated convolutions extract features with fewer parameters.

image

#膨胀卷积：插入rate-1个0 这里三层{1,1,2}相当于前两个没有膨胀
  conv = tf.nn.atrous_conv2d(layerInput,w,rate=dilation,padding="SAME")

Challenges and Tips

  • Labels: extract high-quality samples from massive data for labeling — cover all categories and diverse vocabulary (“good and different”). Check SimHash at word level for textual repetition; prefer low SimHash for broader coverage. Optionally classify text before SimHash, then SimHash across classes. Build dictionaries (internal or crawled, cleaned); split train/test/validation (12:2:1); train character vectors; preprocess; design model; validate; deploy.

  • How to improve accuracy

  • Some tokens are very long

  • Some categories have few examples

  • English characters, digits, and special symbols — often matched with regex

  • Training pipeline: (1) preprocessing — load, convert to IOBES, char-to-id and tag-to-id maps, format conversion and feature extraction; (2) iterative model updates

Model Optimization

  • Rewrite model: replace bidirectional LSTM with dilated convolution — better for long domain-specific names. Stack conv2d×2, dilated conv, dropout, conv, softmax.

  • Learning rate

  • Initialization

  • Dropout

  • L2 regularization

  • Batch size (relatively minor effect)

Applications

  • First step in knowledge graph construction

  • After NER, extract attributes and relations — e.g. symptom causes disease, drug worsens disease

  • Search applications — e.g. Dianping search for “Quanjude”