[论文解读] Launching into clinical space with medspaCy: a new clinical text processing toolkit in Python

Hannah Eyre, Alec B. Chapman+7 more|arXiv (Cornell University)|Jun 14, 2021

Biomedical Text Mining and Ontologies被引用 4

一句话总结

medspaCy 是一个基于 spaCy 的开源临床 NLP 工具包，结合了基于规则和机器学习的方法，用于处理临床文本。它可实现针对命名实体识别、否定检测和 SNOMED-CT 映射等任务的可定制、高性能处理管道的快速开发，显著缩短了临床文本分析项目的研究开发时间。

ABSTRACT

Despite impressive success of machine learning algorithms in clinical natural language processing (cNLP), rule-based approaches still have a prominent role. In this paper, we introduce medspaCy, an extensible, open-source cNLP library based on spaCy framework that allows flexible integration of rule-based and machine learning-based algorithms adapted to clinical text. MedspaCy includes a variety of components that meet common cNLP needs such as context analysis and mapping to standard terminologies. By utilizing spaCy's clear and easy-to-use conventions, medspaCy enables development of custom pipelines that integrate easily with other spaCy-based modules. Our toolkit includes several core components and facilitates rapid development of pipelines for clinical text.

研究动机与目标

• 解决现有临床 NLP 工具包缺乏可重用性、互操作性和可扩展性，且未能结合基于规则和机器学习方法的问题。
• 通过提供模块化、可扩展的框架及标准化接口，减轻构建临床 NLP 管道的开发负担。
• 通过基于 Python 且与 spaCy 集成的工具包，提升研究人员和开发者在临床文本处理中的可及性和生产效率。
• 支持多样化的临床应用，如自杀预防研究、健康的社会决定因素提取和临床教育。
• 通过可定制组件和预训练资源，支持临床 NLP 系统的快速原型设计与部署。

提出的方法

• 以 spaCy 的面向对象、高性能 NLP 框架为基础，构建可扩展的临床 NLP 管道。
• 引入自定义属性扩展（例如，token._.is_negated），直接在 spaCy 对象中存储和访问临床推理元数据。
• 提供用于临床 NLP 任务的模块化组件，包括实体链接、上下文分析和通过 UMLS 资源实现的 SNOMED-CT 映射。
• 通过可插拔组件和可配置参数，同时支持基于规则和基于机器学习的处理。
• 支持与外部知识库（如 UMLS）的集成，用于标准术语映射和临床概念解析。
• 通过简单的安装流程和一致的 Python API，促进迭代开发和探索性分析。

实验结果

研究问题

• RQ1 如何设计一个临床 NLP 工具包，以无缝集成基于规则和基于机器学习的方法处理临床文本？
• RQ2 哪些架构模式能够实现临床 NLP 管道的高可重用性、可扩展性和高性能？
• RQ3 基于 spaCy 的工具包在多大程度上能够减少临床文本分析项目中的开发时间和复杂性？
• RQ4 medspaCy 在支持现实世界临床研究应用（如自杀预防和社会决定因素提取）方面的有效性如何？
• RQ5 medspaCy 是否可作为非专家用户学习临床 NLP 的有效教学工具？

主要发现

• medspaCy 在 3 个月内成功分析了 9,040 份与自杀预防相关的开放式回答，证明了其在大规模临床研究中的实用性。
• 该工具包支持了 SSVF 计划中住房稳定管道的快速开发，实现了从临床记录中提取无家可归和住房状态信息。
• medspaCy 在为期数天的临床数据科学课程中成功应用，使编程经验极少的医学生也能构建功能完整的 NLP 系统。
• 该工具包的模块化设计和一致的 API 使得来自不同来源的组件能够无缝集成到完整、可投入生产的管道中。
• medspaCy 对 UMLS 的术语映射支持，使真实应用场景中的临床概念解析更加准确。
• 该框架通过提供用于常见临床 NLP 任务的可重用、文档齐全的组件，减少了自定义代码的重复实现需求。