一、專案背景
醫療行業內的病理報告包含大量的文字資料，通常包含對不同人體部位的詳細描述（如頭顱、內臟等），每個部位可能涉及多個檢查專案及結果。這些資訊目前大多以非結構化的文字形式存在，不便於資料分析、統計和快速檢索。為了提升病理資訊的利用效率，客戶希望能夠將病理報告進行結構化處理，並透過關係圖譜的形式展示，便於醫生及研究人員更直觀地獲取關鍵資訊。
二、專案目標
- 資訊抽取：使用NLP技術從病理報告中抽取出對應的人體部位資訊及其描述項，例如：
患者：性別 -男 ，年齡 - 58
頭顱：毛髮分佈 - 分佈均勻，外形 - 無畸形
肝臟：大小 -正常，質地 -堅實，無硬結
鼻子：鼻腔 -通暢 ，鼻中隔 -居中
-
資料結構化：將從文字中抽取出的資訊進行結構化儲存，形成標準化的資料格式（如JSON、資料庫）。
-
關係圖譜展示：利用Echarts等視覺化工具，將結構化資訊以關係圖譜的形式展示。不同的人體部位以節點表示，各節點之間的檢查專案和描述以邊進行連線，形成清晰的病理資訊關係圖譜。
-
多條件檢索：支援使用者根據多個條件（如檢查部位、結果描述等）進行檢索，快速定位到特定的病理資訊。
-
圖表互動功能：支援使用者點選圖譜中的節點或邊，檢視詳細的病理描述，進行深度分析。
三、技術棧
-
程式語言：Python（用於NLP演算法）、JavaScript（用於前端展示）、Java（查詢相關業務邏輯處理）
-
NLP框架：Python Transformers（HuggingFace）
-
資料庫：MySQL / MongoDB
-
前端框架：Vue.js、Echarts
-
資料介面：Flask / FastAPI（用於提供資料介面）
四、技術方案
- NLP資訊抽取
採用基於深度學習的NLP資訊抽取技術，對醫療文字進行命名實體識別（NER）、關係抽取、情感分析等操作。
訓練專用的醫療病理領域模型，提取特定人體部位及其相關屬性資訊。
可使用現有的開源NLP框架（如Spacy、BERT、RoBERTa）進行微調以適應醫療文字。
- 資料儲存
使用關係型資料庫（如MySQL）或NoSQL資料庫（如MongoDB）儲存抽取後的結構化資料，確保資料檢索的效率和靈活性。
資料結構設計以人體部位為基礎，每個部位包含多個屬性欄位（如檢查專案、結果描述等）。
- 關係圖譜視覺化
利用Echarts庫進行資料視覺化，將結構化資料以圖譜的形式呈現。
圖譜節點表示不同的人體部位，邊表示檢查專案及描述資訊。
關係圖譜支援互動式操作，使用者可以縮放、拖動、點選節點檢視詳細資訊。
- 多條件檢索：
設計多條件檢索介面，允許使用者透過選擇人體部位、檢查專案、結果描述等進行過濾。
檢索結果以高亮的方式在關係圖譜中顯示，方便使用者定位。
五、專案工期
從需求分析到專案上線預計在3-4周的時間，最快2-3周，中定製化開發至少2周時間。
六、預期成果
- 資料結構化：病理報告中的關鍵資訊能自動抽取並以結構化的形式儲存，方便後續分析和展示。
- 關係圖譜視覺化：透過直觀的圖譜展示，幫助使用者更輕鬆地理解病理資訊的分佈及關聯。
- 快速檢索功能：使用者能夠快速根據需求查詢到目標資訊，提高資訊獲取效率。
- 資料統計分析：透過結構化資料，便於生成統計報告及進一步的病理資料分析。
思通數科(南京)資訊科技有限公司是人工智慧自動化開發訓練平臺與技術服務提供商。透過自研的AI開發訓練平臺，讓企業0程式碼、1小時構建自主的AI能力，大幅降低企業AI開發成本、週期和使用門檻。
向大家推薦一個我們的AI開源專案：自然語言處理、情感分析、實體識別、資訊抽取、影像識別、OCR識別、語音識別介面。
獲取本專案地址，請百度搜尋：思通數科+多模態AI
https://gitee.com/stonedtx/free-nlp-api
更多諮詢：
