[论文解读] Natural Language Processing for Smart Healthcare

Binggui Zhou, Guanghua Yang+2 more|arXiv (Cornell University)|Oct 19, 2021

Topic Modeling参考文献 205被引用 14

一句话总结

本文全面回顾了自然语言处理（NLP）在智慧医疗中的应用，涵盖NLP技术、临床与非临床应用场景以及关键挑战。系统分析了NLP处理流程、在医疗领域（包括心理健康和新冠疫情应对）的应用，并指明了未来研究方向，为人工智能驱动的医疗创新提供了基础性参考。

ABSTRACT

Smart healthcare has achieved significant progress in recent years. Emerging artificial intelligence (AI) technologies enable various smart applications across various healthcare scenarios. As an essential technology powered by AI, natural language processing (NLP) plays a key role in smart healthcare due to its capability of analysing and understanding human language. In this work, we review existing studies that concern NLP for smart healthcare from the perspectives of technique and application. We first elaborate on different NLP approaches and the NLP pipeline for smart healthcare from the technical point of view. Then, in the context of smart healthcare applications employing NLP techniques, we introduce representative smart healthcare scenarios, including clinical practice, hospital management, personal care, public health, and drug development. We further discuss two specific medical issues, i.e., the coronavirus disease 2019 (COVID-19) pandemic and mental health, in which NLP-driven smart healthcare plays an important role. Finally, we discuss the limitations of current works and identify the directions for future works.

研究动机与目标

• 提供NLP技术及其在智慧医疗系统中集成的系统性综述。
• 分析NLP在临床记录、医院运营和公共卫生监测等多样化医疗应用中的作用。
• 研究NLP在心理健康和疫情应对中的影响，特别是在新冠疫情中的表现。
• 识别当前医疗NLP研究的局限性，并提出未来研究方向。
• 为人工智能辅助医疗领域的研究人员和从业者提供全面参考。

提出的方法

• 将NLP方法分类为基于规则、统计和深度学习方法，强调自2013年以来神经网络NLP的主导地位。
• 概述医疗NLP处理流程，包括文本预处理、实体识别、关系抽取和语义理解。
• 回顾使用电子健康记录（EHRs）在临床环境中的NLP应用，如临床笔记分析和诊断编码。
• 探讨NLP在非临床场景中的应用，包括患者调查、健康监测和多语言医学翻译。
• 分析基于自由文本语音和文本数据的NLP在心理健康中的应用，用于预测精神分裂症发病和评估心理状态。
• 讨论NLP在公共卫生中的应用，包括疾病监测和疫情应对，通过实时分析社交媒体和临床报告中的文本。

实验结果

研究问题

• RQ1 NLP技术在智慧医疗系统中如何演变并得到应用？
• RQ2 NLP在临床实践、医院管理和个人健康监测中的关键应用场景有哪些？
• RQ3 NLP如何支持心理健康评估和精神障碍的早期检测？
• RQ4 NLP在疫情应对中扮演什么角色，特别是在新冠疫情爆发期间？
• RQ5 当前医疗NLP的局限性以及未来研究方向是什么？

主要发现

• 基于深度学习的NLP模型在多个医疗NLP任务中实现了最先进性能，超越了传统的基于规则和统计方法。
• NLP能够实现对非结构化EHR数据的自动化分析，提升临床决策支持和诊断编码的准确性。
• 基于NLP的工具在预测心理健康状况方面表现出预测能力，例如通过高敏感度识别自由文本语音中精神分裂症的发病迹象。
• 多语言和低资源NLP模型在跨语言医学文本翻译方面展现出潜力，有助于提升全球健康公平性。
• 在公共卫生领域，如分析社交媒体和临床报告的NLP应用，已实现对疾病暴发的早期检测。
• 尽管已取得进展，但在可解释性、数据隐私和模型泛化方面仍存在挑战，特别是在低资源和多语言环境中。