36.4.1 临床文本与电子病历(EHR)数据：n2c2、BioCreative、i2b2 临床 NLP 经典评测任务

可视化演示

展示n2c2、BioCreative、i2b2三大临床NLP评测基准对比，临床文本NER与关系抽取流程，PHI去标识化18类信息识别，以及从CRF到BERT的技术演进路线。

三大评测赛事

老周带着小林从医院老档案室翻出一沓发黄的病历纸说：“十年前，全美国的大学都头疼同一件事——计算机怎么读懂病历？于是美国国立卫生研究院牵头办了场'病历识字大赛'，取名 i2b2。i2b2 的意思是'信息学整合生物学与床边医学'，听着绕口，你就记住它是第一代'天书考场'就行。后来 i2b2 在 2018 年更名为 n2c2——'国家临床 NLP 挑战赛'，继续出题考试。同期，生物医学文献界也办了自己的'文献侦探大赛'BioCreative，专门考 AI 从论文摘要里挖出基因、蛋白质、药物和疾病之间的关系。”

这里有必要厘清两大赛场的分工。i2b2/n2c2 的考卷来自真实电子病历（EHR）笔记——入院记录、出院小结、影像报告，是“临床天书本身”；任务包括把病历里提到的药物、疾病、症状圈出来，判断患者是否吸烟，识别哪些用药组合有风险。BioCreative 的考卷则是生物医学论文摘要，考 AI 在字里行间锁定基因实体、基因本体注释、化学物质-疾病关系。如果说 i2b2/n2c2 是“临床实战演习”，那 BioCreative 就是“科研文献情报战”。

从技术角度看，这些赛事本质上是标准化的基准测试：主办方给出带标准答案的训练集，参赛队伍提交模型后，在隐藏的测试集上统一评分并排名。每一届比赛的主题也折射出行业的真实痛点——早期关注去标识化和实体识别，后来转向时序关系、用药安全、社会决定因素等更复杂的语义任务。可以这样说：赛事目录就是临床 NLP 技术发展史的目录。

$$\displaystyle \text{评测任务} = \{\text{训练集}, \text{测试集}, \text{金标准}, \text{评分规则}\}$$

1. 训练集：带标注的电子病历文本，相当于给考生的“模拟题集”，考生从中总结规律。

$$\displaystyle \text{train} = \{(文本_i, 标签_i)\}_{i=1}^{N}$$

2. 测试集：与训练集独立、不公开的考卷，杜绝“背答案”。

$$\displaystyle \text{test} \cap \text{train} = \emptyset$$

3. 金标准：由医学专家审核过的正确答案，相当于阅卷老师手里的参考答案册。

$$\displaystyle \text{gold} = \{实体_j, 类型_j\}_{j=1}^{M}$$

4. 评分规则：规定了匹配方式与指标计算口径，相当于“作文评分细则”。

$$\displaystyle \text{score} = f(\text{pred}, \text{gold})$$

老周拍拍小林的肩膀说：“记住，只要听说某个论文里写了'在 i2b2 / n2c2 / BioCreative 上效果 SOTA'，你要先问一句——考的是哪个科目、阅卷规则是什么？这和高考分数一样，不同试卷的分数没法直接比。”

任务类型体系

“四大名著分四类题型，”老周在小白板上画了个十字，“天书考场也分四类经典题型。”第一类是命名实体识别——把病历中提到的药物、疾病、症状、身体部位等专有名词用框框圈出来，就像语文考试里的“划出文中的动词”。第二类是关系抽取——判断两个实体之间是否存在某种语义联系，比如“氨氯地平”和“高血压”之间是“治疗”关系，就像给两个词语之间连线并标注“因果”。

第三类是文本分类——给整段病历贴标签。n2c2 著名的“吸烟状态”任务就是让模型阅读一段病历，判断患者是不吸烟者、曾经吸烟者还是当前吸烟者。这相当于作文考试里的“概括中心思想”。第四类是去标识化——把病历中能锁定患者身份的信息（姓名、地址、日期、证件号）全部遮掉，好比考试前把试卷上的考生姓名涂黑，保护隐私。这四个题型不是孤立出现的，n2c2 的“用药关系”任务就同时需要实体识别和关系抽取两步走。

从模型实现角度，这些任务有共同的抽象形式。实体识别本质上是序列标注——给文本中的每个字或词分配一个类别标签；关系抽取可以建模为实体对的分类问题；文本分类直接用整个序列做分类。去标识化则是特殊的实体识别，只不过目标类别是“隐私信息”。所有任务的输入都是非结构化文本，输出都是结构化知识——这是临床 NLP 与通用文本处理最大的差异所在。

$$\displaystyle \text{P}(\text{标签} \mid \text{文本}) = \prod_{k=1}^{K} \text{P}(y_k \mid x_1, \dots, x_K)$$

1. 序列概率乘积：把整句的标注概率分解成每个位置上标签的条件概率乘积。

$$\displaystyle \prod_{k=1}^{K} \text{P}(y_k \mid x_1, \dots, x_K)$$

2. 位置 k 的标签：第 k 个字被分配到的类型，如“药物”或“非实体”。

$$\displaystyle y_k \in \{\text{药物}, \text{疾病}, \text{症状}, \text{其他}\}$$

3. 上下文依赖：每个标签不仅依赖当前字，还依赖整句上下文，这正是模型捕捉“地平线”不是药的原因。

$$\displaystyle \text{P}(y_k \mid \text{全部上下文}x)$$

“小林子，你接下来写模型时，第一件事就是确认考的是哪类题型。”老周用笔敲了敲白板，“别看都是 NLP，实体识别模型和关系抽取模型的结构要求完全不同——前者擅长逐字精读，后者擅长配对连线。”

数据与标注

“这些考题和标准答案是怎么来的？”小林问。老周打开一个加密文件夹：“不是随便从网上扒的，每一份病历都经过严格挑选和加工。”i2b2 的大部分语料来自美国多家医疗机构的真实 EHR 系统——入院记录、出院小结、放射报告等，再由标注团队加工成“考卷”。因为涉及患者隐私，所有原始病历必须先经过去标识化处理，再分发给标注员。BioCreative 的语料则来自公开的生物医学论文摘要，相对容易获取，但术语密度极高。

标注规范是数据质量的生命线。一个实体应该标多长？“心衰”标两个字符还是四个字符“慢性心力衰竭”？“阿司匹林”是否包含前面的“拜阿司匹灵”商品名？这些都要在标注手册中白纸黑字写清楚。i2b2 通常采用双人独立标注、第三方仲裁的流程：两位标注员分别标一遍，不一致的地方由经验更丰富的医学专家做最终裁决。这样做是为了压低标注噪声——如果标准答案本身都不一致，模型学到的就是错误规律。

样本分布是另一个大学问。真实病历中，常见药物出现上千次，罕见药物只有两三次；“吸烟状态”任务里“不吸烟者”占七成，“当前吸烟者”只占一成。这种严重的类别不平衡会诱导模型“偷懒”——只要全部预测成多数类，就能刷到不低的准确率，但真正重要的少数类全被漏掉了。所以评测社区引入了宏平均指标和对罕见类别单独报告成绩的做法，逼着模型“每个角落都要照顾到”。

$$\displaystyle \text{Cohen's } \kappa = \frac{p_o - p_e}{1 - p_e}$$

1. 实际一致率 p₀：两位标注员在所有标注片段上完全一致的比例。

$$\displaystyle p_o = \frac{\text{一致片数}}{\text{总片数}}$$

2. 随机一致率 pₑ：即使两人不约而同地随便标，也可能碰巧相同的比例，与类别分布有关。

$$\displaystyle p_e = \sum_{t} \text{P}_1(t) \times \text{P}_2(t)$$

3. Kappa 值：1 表示完全一致，0 表示与随机标没有差别，通常要求 Kappa > 0.7 才认定标注可用。

$$\displaystyle \kappa = \frac{p_o - p_e}{1 - p_e}$$

老周语重心长地说：“很多新手拿着公开数据集直接跑，从不在乎标注手册。但你要知道，这套金标准是几十个医生熬了几百个工时做出来的——读懂考卷背后的'出题人意图'，你才知道哪些结论值得信任。”

评测指标矩阵

“考完了，怎么判卷？”小林问。老周把两张圆圈图叠在一起：“看四个格子。”想象有两个圈：左边绿圈是金标准答案中的正例集合，右边紫圈是模型预测出来提到正例集合。两个圈相交的部分叫 TP（真正例）——模型答对的正例；绿圈里有但紫圈没有的部分叫 FN（假负例）——本该找到却被漏掉的；紫圈里有但绿圈没有的部分叫 FP（假正例）——模型误报的。用这四个数字就可以定义三大核心指标。

精确率回答的问题是“模型报出来的东西里，有多少是真的？”——相当于“不冤枉好人率”。召回率回答的问题是“真正要找的东西里，模型找回了多少？”——相当于“不漏掉坏人率”。这两个指标此消彼长：判定标准放宽，召回率上升、精确率下降；判定标准收紧则相反。为了综合衡量两者，评测界使用 F1 分数——精确率与召回率的调和平均。与算术平均不同，调和平均惩罚“偏科生”：如果一科满分一科零分，算术平均还有 50 分，调和平均直接是 0。

评测还涉及匹配策略。严格匹配要求模型预测的实体边界和类型与金标准完全一致，多一个字少一个字都算错；宽松匹配容忍边界部分重合，或只要求类型一致。这就像作文阅卷里的“错别字扣分”规则——严格批改笔下留情，宽泛批改看整体意思。医学场景对边界很敏感，“左心衰竭”和“心衰竭”在临床上含义不同，所以多数评测同时报告两种匹配下的指标，让用户全面了解模型表现。

$$\displaystyle F_1 = \frac{2 \times P \times R}{P + R} = \frac{2 \times TP}{2 \times TP + FP + FN}$$

1. 调和平均的分母：P 和 R 相加，偏科时分数被严重拉低。

$$\displaystyle P + R$$

2. 分子带系数 2：保证 P=R=1 时 F1=1，对称且归一。

$$\displaystyle 2 \times P \times R$$

3. 等价的 TP 形式：将 P 和 R 的定义代入后化简，F1 只看正确命中的比例。

$$\displaystyle \frac{2 \times TP}{2 \times TP + FP + FN}$$

老周指了指那个动效图：“你刚才看到 P 和 R 一升一降，F1 却一直不低——这就对了。如果哪天你调完模型发现 F1 涨了但 P 降得厉害，你要问自己：这个场景里'冤枉好人'和'漏掉坏人'哪个代价更大？”

技术演进路线

“十几年来，参加天书大考的'考生'换了一茬又一茬。老周打开一张技术演进时间线。第一届 i2b2 比赛的主流方案是词典与规则系统——医学专家手工整理药物名、疾病名、缩写表，程序用字符串匹配在文本里查找。它像一本厚厚的”词汇手册“，遇到手册里没有的新词就无能为力，但胜在解释性强：说得出”为什么标这个"。cTAKES、MetaMap 等开源工具至今仍在医院里服役。

2010 年后的比赛里，条件随机场成为主力。这类模型不再一味死记词典，而是把“这个词出现在什么上下文、词形是什么、前面是什么词性”等特征综合起来，为每个词打分判断类别。它像“会联想的小学徒”——见过“氨氯地平是降压药”，下次见到“美托洛尔是降压药”时能举一反三。但特征工程依赖人工设计，模型天花板取决于特征设计者的经验。

深度学习时代来临后，BiLSTM + CRF 成为标准架构：双向长短时记忆网络自动学习上下文表示，CRF 层保证输出标签序列的全局合理性。到 2018 年 n2c2 期间，预训练语言模型（如 BERT、BioBERT、ClinicalBERT）彻底改变格局——先在海量医学文本上预训练，再在少量标注数据上微调。它像“读过万卷医书的学霸转学生”，初来乍到就自带强大的语言直觉。如今 BioGPT、大语言模型等也被用于临床文本抽取，但评测排名的头部方案依然以预训练编码器 + 序列标注/问答框架为主。

$$\displaystyle \mathcal{L}_{\text{微调}} = \mathcal{L}_{\text{任务}} + \lambda \mathcal{L}_{\text{预训练}}$$

1. 任务损失：模型在标注数据上预测错误的程度，越小越好。

$$\displaystyle \mathcal{L}_{\text{任务}} = -\sum \log P(y \mid x, \theta)$$

2. 预训练损失：模型在通用文本上的语言建模能力损耗，防止“学完新任务忘掉语言常识”。

$$\displaystyle \mathcal{L}_{\text{预训练}} = -\sum \log P(w_{t} \mid w_{\lt t}, \theta)$$

3. 权衡系数 λ：通常取一个很小的正数（如 0.1~0.01），让模型优先学任务，同时保留语言能力。

$$\displaystyle 0 \lt \lambda \ll 1$$

老周合上时间线：“模型技术演进，本质上是从'背词典'走向'理解语言'的过程。哪天你在论文里看到某模型强调自己是”few-shot“（小样本学习），就说明它想用更少的标注数据达到同样的分数——这在医疗标注昂贵的今天价值极高。”

工程挑战对策

“比赛拿高分，不一定能直接进医院。”老周话锋一转，“真实世界的天书，比考卷还要难。”第一个挑战是数据稀缺——标注医疗文本需要专业医生，一小时可能只标几十行，成本极高。对策是利用主动学习：先用少量标注训练一个初版模型，让它对无标注数据打分，挑出“模型最拿不准”的样本送给医生标注，梯次优化，把标注预算花在刀刃上。

第二个挑战是临床噪声。真实病历里充斥着拼写错误、语音识别噪声、非正式缩写和不规范表述；“PT 2 d“可能是”物理治疗“也可能是”患者“的缩写，需要结合上下文消歧。对策是建立专科术语词典 + 规则预处理管道 + 模型容忍噪声的三层防线。第三个挑战是迁移适配——在波士顿医院训练好的模型，到纽约社区医院可能精度大降，因为各机构的病历习惯与人群分布不同。对策是使用域自适应技术：利用目标机构的无标注病历做继续预训练，或做领域对抗训练，让模型”入乡随俗”。

第四个挑战是部署反馈。评测集是一次性的，而临床环境是动态的——新药上市、疾病流行、术语变化都会让模型过时。对策是建立“预警-重训-回滚”闭环：线上模型预测时主动输出置信度，低置信度样本入库积累，定期交由医生复核并纳入下一代训练集。老周总结道：“评测解决的是'模型有多好'的度量问题，工程解决的是'模型如何持续好用'的系统问题。前者是标尺，后者是生命力。”

$$\displaystyle w_i = \frac{1}{\text{count}(y_i)} \times \frac{N}{C}$$

1. 类别样本数倒数：出现越少，权重越大，让模型腾出更多注意力给少数类。

$$\displaystyle \frac{1}{\text{count}(y_i)}$$

2. 归一化因子：保证所有权重的平均值为 1，避免训练不稳定。

$$\displaystyle \frac{N}{C} \ (\text{N 为样本总数，C 为类别数})$$

3. 加权损失：把该权重乘进损失函数中，等效于“给少量样本重复上练习课”。

$$\displaystyle \mathcal{L} = \sum_i w_i \cdot \text{loss}(x_i, y_i)$$

“记住，评测是所有工程迭代的起点。”老周在最后一页 PPT 上画了个圆环，“比赛出考卷，你交答卷，得分数，回到真实世界找新问题，再参加下一场考试——临床 NLP 就这么一圈圈滚出来。”

AI 应用场景

Python 演示

import re GOLD = {"氨氯地平", "美托洛尔", "阿司匹林", "华法林", "二甲双胍"}TEXT = """患者因高血压服用氨氯地平和美托洛尔，同时口服阿司匹林；华法林需监测INR，二甲双胍随餐服用。注意：地平的用量要遵医嘱。""" class SimpleModel:    def __init__(self, name, lexicon):        self.name = name        self.lexicon = lexicon     def predict(self, text):        found = set()        for word in self.lexicon:            if word in text:                found.add(word)        return found class Evaluator:    def __init__(self, gold):        self.gold = gold        self.gold_count = len(gold)        self.tp_count = 0        self.fp_count = 0        self.fn_count = 0     def update(self, pred):        self.tp_count += len(self.gold & pred)        self.fp_count += len(pred - self.gold)        self.fn_count += len(self.gold - pred)     def metrics(self):        p = self.tp_count / (self.tp_count + self.fp_count)        r = self.tp_count / (self.tp_count + self.fn_count)        f1 = 2 * p * r / (p + r)        return p, r, f1 def main():    strict_lexicon = {"氨氯地平", "美托洛尔", "阿司匹林", "华法林", "二甲双胍"}    greedy_lexicon = strict_lexicon | {"地平", "洛尔"}     strict_model = SimpleModel("严格词典", strict_lexicon)    greedy_model = SimpleModel("宽松词典", greedy_lexicon)     for model in (strict_model, greedy_model):        evaluator = Evaluator(GOLD)        evaluator.update(model.predict(TEXT))        p, r, f1 = evaluator.metrics()        print(f"{model.name}: P={p:.3f} R={r:.3f} F1={f1:.3f}")     # 宽松词典把"地平线"中的"地平"误判为药物    tricky_text = "患者近期前往地平线旅游一周。"    model = SimpleModel("宽松词典", greedy_lexicon)    print("误报示例:", model.predict(tricky_text)) if __name__ == "__main__":    main()

1. class SimpleModel:定义一个“考生”模型，构造参数是名称和词典；predict 方法用词典对文本做简单匹配。
2. class Evaluator:这是“阅卷老师”，维护 TP/FP/FN 三个计数；gold_count 是金标准总数。
3. self.tp_count += len(self.gold & pred)集合交集计算真正例：金标准与预测同时包含的词。
4. p = self.tp_count / (self.tp_count + self.fp_count)精确率：模型报出的词中真正是药的比例。
5. r = self.tp_count / (self.tp_count + self.fn_count)召回率：金标准药物中模型找回来的比例。
6. strict_lexicon | {"地平", "洛尔"}宽松词典在严格词典基础上增加了“词根”级别条目，看似更全，实则埋下误报隐患。
7. print(f"{model.name}: ...")逐一打印两个模型的对比成绩，直观看到精确率与召回率的权衡。

常见误区

面试题