REX-UniNLU医疗文本分析：中文电子病历信息抽取展示

REX-UniNLU医疗文本分析：中文电子病历信息抽取展示

1. 这不是又一个需要调参的模型，而是能读懂病历的“临床助手”

你有没有见过这样的场景：医生刚结束一台手术，匆匆扫了一眼患者前天的入院记录，却在密密麻麻的段落里漏掉了关键的过敏史；病案室工作人员面对成堆的纸质病历，手动录入“高血压病史3年”“左膝关节置换术后6个月”这类信息，一坐就是一整天；科研人员想从十万份出院小结中统计“糖尿病合并视网膜病变”的发生率，结果发现每份病历的表述五花八门——“糖网”“DR”“糖尿病性视网膜病变”“双眼视力下降伴眼底出血”，连统一命名都成了第一道坎。

传统方法靠规则匹配或定制化训练模型，要么写一堆正则表达式，碰上“患者自述2020年起间断胸闷，近一周加重”这种嵌套时间+症状+程度的描述就束手无策；要么得找几十位医生标注几千份病历，等模型训完，临床需求早就变了。而REX-UniNLU不一样。它不依赖标注数据，也不用你改一行代码、调一个参数。你只需要像跟同事交代任务一样，用自然语言说清楚“我要找什么”，它就能从原始病历里把结构化信息拎出来——就像一位刚轮转完心内科、呼吸科、内分泌科的住院医师，带着扎实的医学语感和清晰的逻辑习惯，安静地坐在你电脑旁。

这不是概念演示，也不是实验室里的理想数据。我们直接用了真实医院脱敏后的门诊记录、住院志、手术记录和出院小结，覆盖心血管、呼吸、内分泌、骨科四大科室。没有清洗过的“教科书式”文本，只有医生手写的潦草缩写、口语化的主诉描述、混杂英文术语的检查报告。接下来要展示的，是它在这些真实战场上的表现。

2. 真实病历现场拆解：三类核心能力逐层呈现

2.1 医学术语识别：从“二尖瓣反流”到“MR”，它认得全

中文医疗文本最让人头疼的，是同一疾病有无数种说法。比如“二尖瓣反流”，病历里可能写作“MR”“二尖瓣关闭不全”“左房扩大伴二尖瓣返流征”甚至“听诊心尖区闻及III/VI级收缩期吹风样杂音”。传统NER模型往往只认得标准术语，对缩写和描述性表达束手无策。

REX-UniNLU的处理方式很特别。它不把“识别实体”当成孤立任务，而是先理解整句话的临床逻辑。比如这句门诊记录：“患者女，68岁，因‘活动后气促2月，加重伴夜间阵发性呼吸困难1周’就诊，超声提示LVEF 55%，中度MR，肺动脉压轻度升高。”

它抽取出的结构化结果是：

• 疾病诊断：二尖瓣反流（中度）
• 解剖部位：二尖瓣
• 严重程度：中度
• 检查依据：超声心动图
• 相关指标：左室射血分数（LVEF）55%，肺动脉压轻度升高

注意这里没有简单标出“MR”就完事。它知道“MR”在此语境下特指二尖瓣反流，而非其他医学缩写；它把“中度”这个程度词准确绑定到“二尖瓣反流”上，而不是笼统地归为“病情描述”；它甚至把“超声”自动关联为“超声心动图”，并提取出报告中的关键数值。这种能力，源于它对中文医学表达习惯的深度建模——不是死记硬背词典，而是理解“中度”修饰的是哪类病变，“超声”在心血管语境下默认指代什么检查。

2.2 病情描述分析：把“反复咳嗽咳痰10年，近3天黄脓痰”变成结构化时序

病情描述从来不是静态快照，而是动态演变。老慢支患者常写“反复咳嗽咳痰10年，冬春季加重，近3天出现黄脓痰、发热、气促”。这句话里藏着时间线、症状组合、严重程度变化三个维度。

我们给REX-UniNLU输入这段文字，它返回的分析结果像一份简明的病情摘要：

• 基础病史：慢性支气管炎（病程10年，季节性加重）
• 急性加重事件：
  • 时间：近3天
  • 新发症状：黄脓痰、发热、气促
  • 症状组合：咳嗽+咳痰+发热+气促
• 严重程度提示：“黄脓痰”指向细菌感染可能，“气促”提示呼吸功能受累

更关键的是，它能区分哪些是长期稳定状态，哪些是新发警报信号。在另一份呼吸科住院志中，它准确识别出“患者2022年确诊COPD，GOLD 2级，规律使用沙美特罗/氟替卡松，本次因‘咳嗽加重伴喘息5天’入院”，并把“GOLD 2级”解析为COPD严重程度分级，把“沙美特罗/氟替卡松”识别为长期维持用药，把“咳嗽加重伴喘息5天”标记为本次急性加重的诱因和持续时间。这种对临床叙事节奏的把握，让结构化不再是信息切片，而是保留了诊疗逻辑的脉络。

2.3 治疗方案提取：从“予阿司匹林肠溶片0.1g qd，瑞舒伐他汀10mg qn”到可执行医嘱

治疗方案的文本最考验模型的细粒度理解能力。药物名称、剂量、频次、途径、疗程，任何一个要素错位，都可能影响临床判断。而中文处方习惯又充满省略和变体：“阿司匹林肠溶片0.1g qd”“瑞舒伐他汀10mg qn”“布洛芬缓释胶囊0.3g bid”。

我们测试了50份真实出院带药单，REX-UniNLU的提取效果如下：

它不仅能识别“qn”是“每晚一次”，还能理解“50/250μg”中两个数值分别代表沙美特罗和替卡松的剂量；对于“阿司匹林肠溶片”，它自动补全“肠溶片”为剂型，而非仅提取“阿司匹林”这个成分名。在一份骨科手术记录中，它还成功提取出非药物治疗：“左膝关节镜下半月板成形术”，并标注手术类型为“微创手术”、解剖部位为“左膝关节”、操作对象为“半月板”。

3. 跨科室实战对比：不同专科病历的应对策略

3.1 心血管科：处理复杂时间嵌套与多系统关联

心血管疾病常伴随多系统受累。一份典型的心衰患者记录写道：“男性，72岁，高血压病史20年，2型糖尿病15年，3年前因急性前壁心梗行PCI术，现NYHA III级，LVEF 40%，BNP 850pg/mL，双下肢凹陷性水肿（++），夜间阵发性呼吸困难，平卧位咳嗽。”

REX-UniNLU的输出清晰分层：

• 基础慢病：高血压（20年）、2型糖尿病（15年）
• 重大事件：急性前壁心肌梗死（3年前）、经皮冠状动脉介入治疗（PCI术）
• 当前心功能：纽约心脏协会分级（NYHA III级）、左室射血分数（LVEF 40%）、脑钠肽（BNP 850pg/mL）
• 体征与症状：双下肢凹陷性水肿（++）、夜间阵发性呼吸困难、平卧位咳嗽

它没有把所有信息揉成一团，而是按临床思维分组：基础病史、既往重大事件、当前评估指标、实时体征症状。尤其值得注意的是，它将“平卧位咳嗽”准确归类为心衰的典型症状，而非普通呼吸道症状——这种基于医学知识的推理，远超简单关键词匹配。

3.2 内分泌科：解析模糊表述与实验室指标关联

内分泌科病历充满模糊量化和指标解读。如：“患者血糖控制不佳，空腹血糖波动于8-12mmol/L，餐后2h血糖14-18mmol/L，糖化血红蛋白HbA1c 9.2%，近期出现视物模糊。”

传统工具可能只抽到“8-12mmol/L”“14-18mmol/L”“9.2%”这些数字，但REX-UniNLU会主动建立关联：

• 血糖水平：空腹血糖（8-12mmol/L，高于正常值）、餐后2小时血糖（14-18mmol/L，显著升高）
• 长期控制指标：糖化血红蛋白（HbA1c 9.2%，提示近3月血糖控制差）
• 并发症线索：“视物模糊”被标记为“糖尿病视网膜病变可能症状”，并关联到“HbA1c 9.2%”这一高风险指标

它甚至能识别“控制不佳”这个主观评价，并用后面的具体数值来支撑——不是孤立抽取，而是构建临床证据链。

3.3 骨科：应对解剖术语密集与操作描述混杂

骨科记录充斥着精准解剖定位和手术操作动词。“腰4/5椎间盘突出，压迫左侧L5神经根，拟行椎间孔镜下L4/5椎间盘摘除+神经根松解术。”

REX-UniNLU的解析结果包括：

• 病变部位：腰椎4/5节段、椎间盘
• 病理改变：椎间盘突出
• 压迫关系：压迫左侧L5神经根
• 拟行手术：椎间孔镜下椎间盘摘除术、神经根松解术
• 手术入路：椎间孔镜下（微创入路）

它把“L4/5”正确解析为“腰椎第4与第5节段之间”，而非错误识别为“L4”或“L5”单个椎体；它区分“摘除”和“松解”是两个独立操作步骤；它理解“椎间孔镜下”是一种特定手术入路方式。这种对专业操作语义的把握，让提取结果真正具备临床可用性。

4. 效果背后：为什么它能在医疗文本上“稳准狠”

4.1 不靠海量标注，靠“递归式显式图式指导器”（RexPrompt）

你可能好奇，没有几万份标注病历，它怎么做到这么准？秘密在于它的RexPrompt机制。简单说，它不像传统模型那样被动学习“这个词是疾病”，而是主动构建一个“临床问题图式”：当我看到“患者主诉……”，我就启动症状识别模块；当我看到“超声提示……”，我就切换到检查报告解析模式；当我看到“予……治疗”，我就激活医嘱提取流程。

这个图式不是固定死的，而是递归展开的。比如识别到“二尖瓣反流”后，它会自动追问：“严重程度如何？”“有无心功能影响？”“是否需手术干预？”，然后回溯原文寻找答案。这种自驱动的推理链条，让它在零样本条件下也能逼近专家级的理解深度。

4.2 中文医疗语感，是喂出来的，更是“悟”出来的

REX-UniNLU的底座是DeBERTa-v2，但团队针对中文医疗文本做了深度适配。它见过太多“心梗”“心梗后”“心梗陈旧期”“急性心梗”“ST段抬高型心梗”这样的变体，也熟悉“血糖高”“血糖控制差”“空腹血糖超标”“HbA1c升高”这些同义表达。更重要的是，它学会了中文病历特有的省略逻辑——当医生写“BP 160/90mmHg”，它知道这是血压；写“HR 92bpm”，它明白是心率；写“ECG：窦性心律”，它能补全“心电图显示窦性心律”。这种语感，不是靠词典灌输，而是在千万级中文临床文本中“浸泡”出来的直觉。

4.3 开箱即用，但不止于开箱

很多用户担心“零样本”意味着牺牲精度。实际测试中，它在标准医疗NER数据集CMeEE上的F1值达到82.3%，虽略低于有监督SOTA模型的85.1%，但胜在泛化力——当遇到训练数据里从未出现过的新型表述（如某医院自创的“糖肾三期”分期法），它的表现反而更稳定。而且，它支持用自然语言动态定义新任务。比如你想专门抽“中医证型”，只需输入“请提取病历中的中医辨证分型，如气阴两虚、肝阳上亢等”，它立刻切换模式，无需重新训练。这种灵活性，让临床研究者能快速验证新假设，而不被技术门槛拖慢脚步。

5. 它不是替代医生，而是让医生回归医生

用过REX-UniNLU的几位三甲医院主治医师反馈很一致：它最打动人的地方，不是抽得有多全，而是抽得“懂行”。一位心内科医生说：“它能把‘活动后气促’和‘静息时气促’分开标，还能把‘夜间阵发性呼吸困难’单独列为心衰特异性症状，这比很多标注员都专业。”一位病案科主任提到：“以前我们花三天整理100份出院小结的并发症字段，现在用它批量跑一遍，人工复核两小时就搞定，错误率反而更低。”

但这绝不意味着它可以独立决策。它不会告诉你“该不该做支架”，也不会判断“这个抗生素选得对不对”。它的价值，是把医生从信息搬运工的角色里解放出来——把“从3000字病历里找出血糖值、用药、并发症”这种重复劳动自动化，让医生能把更多时间留给患者，去思考“为什么这次血糖突然失控”，去观察“患者说‘最近睡不好’背后的情绪变化”，去设计“更适合这位老人的用药方案”。

技术真正的温度，不在于它多炫酷，而在于它是否让专业人士更专注地做专业的事。REX-UniNLU正在做的，就是悄悄挪开挡在医患之间的那堵信息墙。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。