哈尔滨工业大学构建CEMR句法树库，提升中文电子病历NLP精度

本文档聚焦于"面向中文电子病历的NLP关键技术研究"，由哈尔滨工业大学计算机学院的研究人员蒋志鹏和关毅在2014年完成。电子病历（EMR）是医疗服务过程中产生的数字化记录，包括文字、数据和医学报告，而中文电子病历(CEMR)则是针对中文环境的专业描述，尤其关注于医疗大数据的处理。 在CEMR的研究中，文档强调了句法树库的构建作为关键技术之一。构建过程中，研究团队遵循了PCTB（汉语词性标注体系）规范，并进行了迭代修订。他们通过人机互助、医生参与的方式，确保了语法标注的准确性和一致性。例如，在修订规范时，他们特别关注了特定词汇的处理，如"视物"的词性划分，以及针对CEMR特点的术语切分问题，如"持物"和"抗凝"这样的动宾短语是否应被分开标注。 词性标注是NLP中的核心环节，文中提到使用高精度的词性标注系统，通过对比PCTB词性标注规范与面向电子病历的特殊需求，研究人员设计了更符合CEMR特点的标注规则。为了保证标注质量，他们实施了质量控制，通过统计分析了修订前后的主要词性歧义项分布，以及前几次迭代的分词和词性标注的准确率及一致性。 此外，文档还提到了海量的中文电子病历数据量，每天约有800份，每月15000份，每年高达15万份，这表明在处理大规模医疗数据时，高效的NLP技术对于信息管理和挖掘至关重要。 该研究深入探讨了如何利用自然语言处理(NLP)技术来处理中文电子病历，包括制定和优化语法标注规范，提高词性标注的准确性，以及应对医疗大数据带来的挑战，为医疗信息系统的智能化和效率提升提供了有价值的技术支持。