合成电子病历文本的生成

机器学习（ML）与自然语言处理（NLP）已在诸多领域取得显著成功，并为医疗数据分析带来新机遇与高度期待。最常见的医疗数据类型是海量的自由文本电子病历（EMR）。人们普遍认为，挖掘此类海量数据可提取重要信息以改进医疗实践，并有可能在新发复杂疾病方面取得新发现。然而，自由文本 EMR 缺乏统一标准、富含隐私信息且可用性有限。此外，由于它们来自日常实践积累，针对所研究疾病类型往往难以获得均衡数量的样本。这些问题阻碍了面向 EMR 数据分析的 ML 与 NLP 方法的发展。为应对这些问题，我们开发了一种生成合成 EMR 文本的模型，称为医疗文本生成对抗网络（Medical Text Generative Adversarial Network，mtGAN）。它基于 GAN 框架，并通过 REINFORCE 算法训练。该模型以疾病特征为输入，生成对应疾病的合成文本作为 EMR。我们在一个中文 EMR 文本数据集上从微观、宏观和应用三个层面对模型进行评估。结果表明，该方法具有良好的拟合真实数据的能力，并能生成逼真且多样的 EMR 样本。这为在避免患者隐私潜在泄露的同时，仍为开发下游 ML 与 NLP 方法提供充足且受控的队列数据提供了新途径。它也可用作数据增强方法，以辅助基于真实 EMR 数据的研究。