从医疗对话中提取用药方案

从医疗对话中提取相关信息并提供给医生和患者，可能有助于缓解医生职业倦怠与患者遗忘问题。本文聚焦于提取医疗对话中讨论的用药方案（药物的剂量与频次）。我们将该问题构建为问答（QA）任务，并对以下方法进行比较分析：一种 QA 方法、一种新颖的 QA 与信息抽取相结合的方法，以及其他基线方法。我们使用包含 6,692 段标注医患对话的小型语料库来完成该任务。临床对话语料库的创建成本高、难以处理（出于数据隐私考虑），因而十分稀缺。我们通过数据增强方法、使用公开可用的词嵌入以及在相关任务（摘要生成）上预训练部分网络来应对这一数据稀缺挑战，从而提升模型性能。与基线相比，我们性能最佳的模型将剂量与频次抽取的 ROUGE-1 F1 分数分别从 54.28 和 37.13 提升至 89.57 和 45.94。利用我们性能最佳的模型，我们提出了首个能够从小医患对话中自动提取用药方案标签且准确率约达 $\approx$71% 的系统。