CN112699642B - 复杂医疗文书的索引提取方法及装置、介质及电子设备 - Google Patents

Abstract

本公开涉及信息处理技术领域，提供了一种复杂医疗文书的索引提取方法及装置、计算机可读存储介质和电子设备。其中，上述方法包括：将待处理医疗文书对应的节点树转换为结构化节点列表；获取所述结构化节点列表中的节点属性与第一预设规则相匹配的结构化节点对应的文本；根据所述文本生成所述待处理医疗文书的索引集合。本方案基于将节点树转换为结构化节点列表，在提取医疗文书的索引的时可以不依赖于节点的层级关系，进而提高索引检索的复用性和处理效率。

Description

复杂医疗文书的索引提取方法及装置、介质及电子设备

技术领域

本公开涉及信息处理技术领域，具体而言，涉及一种复杂医疗文书的索引提取方法、复杂医疗文书的索引提取装置、计算机可读存储介质及电子设备。

背景技术

医疗信息化系统中存储患者治疗过程的文书，即医疗文书，医疗文书包括且不限于入院记录、出院记录、病程记录、会诊记录、治疗小结等。

不同医疗信息化系统中数据的组织形式大相径庭，导致医疗电子文书数据的格式繁多。同时，相同的关键词在不同文书类别的数据中均有出现的可能，且每份文书中的信息量很大。

相关技术中的正则匹配、按HTML(HyperText Markup Language，超文本标记语言)/XML(eXtensible Markup Language，可扩展标记语言)节点路径抽取等方式难以精确检索、提取目标数据。当需要处理的文书数据量大、文书结构格式变化时，相关技术的方法难以复用，因此，会导致处理效率低下。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种复杂医疗文书的索引提取方法及装置、计算机可读存储介质及电子设备，进而至少在一定程度上克服索引生成方法难以复用，索引生成效率低下的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的第一方面，提供了一种复杂医疗文书的索引提取方法，包括：

将待处理医疗文书对应的节点树转换为结构化节点列表；

获取所述结构化节点列表中的节点属性与第一预设规则相匹配的结构化节点对应的文本；

根据所述文本生成所述待处理医疗文书的索引集合。

在本公开的一种示例性实施例中，基于前述方案，所述将待处理医疗文书对应的节点树转换为结构化节点列表，包括：

利用深度优先算法遍历所述待处理医疗文书对应的节点树，获取节点树中的各节点对应的文本、节点标识和节点属性，以将节点树中的各节点转换成结构化节点；

根据遍历顺序，将各所述结构化节点添加至预设结构化节点列表中，以将所述待处理医疗文书对应的节点树转换为结构化节点列表。

在本公开的一种示例性实施例中，基于前述方案，所述第一预设规则包括预设文本样式；

所述获取所述结构化节点列表中的节点属性与第一预设规则相匹配的结构化节点对应的文本包括：

将所述结构化节点列表中的各结构化节点的节点属性和预设文本样式列表中的各预设文本样式进行匹配；

获取匹配成功的结构化节点对应的文本，以确定所述待处理医疗文书的候选索引集合。

在本公开的一种示例性实施例中，基于前述方案，所述根据所述文本生成所述待处理医疗文书的索引集合包括：

根据第二预设规则对所述待处理医疗文书的候选索引集合中的各候选索引进行去重处理，以确定所述待处理医疗文书的目标索引集合；

其中，所述第二预设规则包括正则匹配、完全匹配或部分匹配中的任一种。

在本公开的一种示例性实施例中，基于前述方案，所述方法还包括：

在所述结构化节点列表中，为所述节点属性与第一预设规则相匹配的结构化节点配置索引标记；

遍历所述结构化节点列表，根据所述索引标记和所述索引集合确定所述待处理医疗文书的各索引对应的数据。

在本公开的一种示例性实施例中，基于前述方案，所述遍历所述结构化节点列表，根据所述索引标记和所述索引集合确定所述待处理医疗文书的各索引对应的数据包括：

顺序遍历所述结构化节点列表，针对各结构化节点，若所述结构化节点配置有索引标记且所述结构化节点对应的文本与所述索引集合中的索引匹配成功，则将所述结构化节点对应的文本确定为所述匹配成功的索引对应的数据；

若所述结构化节点配置有索引标记且所述结构化节点对应的文本与所述索引集合中的索引匹配失败，则对所述结构化节点对应的文本不进行处理；

若所述结构化节点未配置索引标记且其前一个结构化节点配置有索引标记且所述前一个结构化节点对应的文本与所述索引集合中的索引匹配成功，则将所述未配置索引标记的结构化节点对应的文本确定为其前一个匹配成功的索引对应的数据；

其中，若所述结构化节点对应的文本与所述索引集合中的索引的匹配规则包括正则匹配、完全匹配或部分匹配中的任一种。

在本公开的一种示例性实施例中，基于前述方案，所述待处理医疗文书为用标记性语言承载的文本信息，所述用标记性语言承载的文本信息包括超文本标记语言HTML格式的文本信息和/或可扩展标记语言XML格式的文本信息。

根据本公开的第二方面，提供了一种复杂医疗文书的索引提取装置，包括：

转换模块，被配置为将待处理医疗文书对应的节点树转换为结构化节点列表；

文本获取模块，被配置为获取所述结构化节点列表中的节点属性与第一预设规则相匹配的结构化节点对应的文本；

索引生成模块，被配置为根据所述文本生成所述待处理医疗文书的索引集合。

根据本公开的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中第一方面所述的复杂医疗文书的索引提取方法。

根据本公开实施例的第四方面，提供了一种电子设备，包括：处理器；以及，存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中第一方面所述的复杂医疗文书的索引提取方法。

由上述技术方案可知，本公开示例性实施例中的复杂医疗文书的索引提取方法、复杂医疗文书的索引提取装置，以及实现所述复杂医疗文书的索引提取的计算机可读存储介质及电子设备，至少具备以下优点和积极效果：

在本公开的一些实施例所提供的技术方案中，首先，将待处理医疗文书对应的节点树转换为结构化节点列表，然后，获取结构化节点列表中的节点属性与第一预设规则相匹配的结构化节点对应的文本，最后，根据文本生成待处理医疗文书的索引集合。与相关技术相比，一方面，本公开基于将节点树转换为结构化节点列表，然后在结构化节点列表的基础上提取医疗文书的索引，可以在生成索引检索时，不依赖于节点的层级关系，实现索引生成方法的复用，进而在对大量的待处理医疗文书进行处理时，提高处理效率；另一方面，本公开中的第一预设规则可以根据需求进行自定义设置，可以提高索引生成的灵活性和准确性。

本公开应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出本公开一示例性实施例中复杂医疗文书的索引提取方法的流程示意图；

图2示出本公开一示例性实施例中生成结构化节点列表的方法的示意图；

图3示出本公开一示例性实施例中确定医疗文书的候选索引集合的方法的流程示意图；

图4示出本公开一示例性实施例中生成各索引对应的数据的方法的流程示意图；

图5示出本公开一示例性实施例中另一种复杂医疗文书的索引提取方法的流程示意图；

图6示出本公开一示例性实施例中复杂医疗文书的索引提取装置的结构示意图；

图7示出本公开示例性实施例中计算机存储介质的结构示意图；以及，

图8示出本公开示例性实施例中电子设备的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”和“第二”等仅作为标记使用，不是对其对象的数量限制。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。

在医疗信息化系统中，可以利用电子计算机和通讯设备，为医院所属各部门提供对病人诊疗信息和行政管理信息的收集、存储、处理、提取及数据交换的能力，并满足所有授权用户的功能需求。

医疗信息化系统中会存储患者治疗过程的医疗文书，医疗文书类别包括且不限于入院记录、出院记录、病程记录、会诊记录、治疗小结等，目前很多医疗电子文书均以HTML、XML的格式进行存储。

具体的，HTML称为超文本标记语言，是一种标识性的语言。它包括一系列标签.通过这些标签可以将网络上的文档格式统一，使分散的Internet资源连接为一个逻辑整体。HTML文本是由HTML命令组成的描述性文本，HTML命令可以说明文字，图形、动画、声音、表格、链接等。

XML是可扩展标记语言，属于标准通用标记语言的子集(标记分为两种：一种称为“程序性的标记”，用来描述文档显示的样式；另一种称为“描述性标记”，用来描述文档中的文字的用途。制定“通用标言”的基本思想是把文档的内容与样式分开)，是一种用于标记电子文件使其具有结构性的标记语言。

目前，不同医疗信息化系统中数据的组织形式大相径庭，因此，医疗电子文书数据的格式繁多，相同的关键词在不同文书类别的数据中均有出现的可能，且每份文书中的信息量很大，进而增加了批量处理时医疗文书的复杂性。

相关技术中，按HTML/XML节点路径抽取等方式，在XML节点父子关系固定、节点名称规范性一致性高的XML文档中可以进行精确检索。

而在医疗大数据领域，通常需要处理的文档数以万计，且文档结构样式复杂，父子节点关系松散，节点名称无固定规范，需要检索的内容往往不在指定的节点路径中出现。按HTML/XML节点路径抽取等方式生成索引检索，则需投入大量人力去辨识不同类别文档的节点结构，同时，其需要提高的检索关键词和路径过于死板，在XML结构变化时难以复用，会增加处理成本，降低处理效率。

因此，亟需一种对复杂的医疗文书进行处理的方法，以生成医疗文书的索引和索引对应的内容，从而便于医疗文书的管理和使用。

在本公开的实施例中，首先提供了一种复杂医疗文书的索引提取方法，至少在一定程度上克服上述相关技术中存在的缺陷。

图1示出本公开一示例性实施例中复杂医疗文书的索引提取方法的流程示意图。参考图1，该方法包括：

步骤S110，将待处理医疗文书对应的节点树转换为结构化节点列表；

步骤S120，获取结构化节点列表中的节点属性与第一预设规则相匹配的结构化节点对应的文本；

步骤S130，根据上述文本生成待处理医疗文书的索引集合。

在图1所示实施例所提供的技术方案中，首先，将待处理医疗文书对应的节点树转换为结构化节点列表，然后，获取结构化节点列表中的节点属性与第一预设规则相匹配的结构化节点对应的文本，最后，根据文本生成待处理医疗文书的索引集合。与相关技术相比，一方面，本公开基于将节点树转换为结构化节点列表，然后在结构化节点列表的基础上待处理医疗文书的索引，可以在生成索引检索时，不依赖于节点的层级关系，实现索引生成方法的复用，进而在对大量的待处理医疗文书进行处理时，可以提高处理效率；另一方面，本公开中的第一预设规则可以根据需求进行自定义设置，可以提高索引生成的灵活性和准确性。

以下对图1所示实施例中各个步骤的具体实施方式进行详细阐述：

在步骤S110中，将待处理医疗文书对应的节点树转换为结构化节点列表。

在示例性的实施方式中，待处理医疗文书为用标记性语言承载的文本信息，其中，用标记性语言承载的文本信息包括HTML格式的文本信息和/或XML格式的文本信息。例如，以XML格式的医疗电子文书。

当然，待处理医疗文书可以是其他的数据格式，例如，json格式或者医疗电子文书的图片等，在使用本示例性实施例所提供的医疗文书的索引提取方法之前，可以先将其它的数据格式转换成HTML格式和/或XML格式，然后，将转换生成的HTML格式和/或XML格式的数据确定为待处理医疗电子文书，本示例性实施方式对此不做特殊限定。

在将待处理医疗文书对应的节点树转换为结构化节点列表之前，可以生成待处理医疗文书的节点树。例如，可以利用开源的技术工具(如jsoup，jsoup是一款Java的HTML解析器，可直接解析某个统一资源定位符URL或HTML文本内容)生成医疗电子文书的节点树。

在示例性的实施方式中，节点指的是HTML或XML中的节点，节点可以嵌套，拥有自己的名称、文本(或内容)、属性，例如，一个典型的节点形式如下：

<a attr1＝“1”>

2

<b attr2＝“3”>4</b>

</a>

其中，a节点是一个拥有子节点的节点，a是节点的标识，即名称，2是节点a的文本(或内容)，attr1是节点a的属性，1是attr1属性的值，b节点是a节点的子节点，attr2是节点2的属性，3是attr2属性的值。

生成待处理医疗文书的节点树后，可以将待处理医疗文书的节点树转换为结构化节点列表。示例性的，图2示出本公开一示例性实施例中生成结构化节点列表的方法的示意图。参考图2，该方法可以包括步骤S210至步骤S220。

在步骤S210中，利用深度优先算法遍历待处理医疗文书对应的节点树，获取节点树中的各节点对应的文本、节点标识和节点属性，以将节点树中的各节点转换成结构化节点。

示例性的，可以利用深度优先搜索(DFS，Depth First Search)遍历待处理医疗文书对应的节点树，将每个节点的文本、节点标识(即节点名称)和节点属性的值提取出来生成该节点对应的结构化节点。

接下来，在步骤S220中，根据遍历顺序，将各结构化节点添加至预设结构化节点列表中，以将待处理医疗文书对应的节点树转换为结构化节点列表。

示例性的，可以预先创建一个预设结构化节点列表，在步骤S210中进行遍历的过程中，可以根据遍历顺序，将提取的各节点的文本、节点标识和节点属性添加至预设结构化节点列表中，从而将待处理医疗文书对应的节点树转换为结构化节点列表。

通过上述的步骤S210至步骤S220，可以将待处理医疗文书的节点树转换为结构化节点列表，从而可以基于结构化节点列表进行后续的处理，进而使得后续的待处理医疗文书的检索索引对应的内容的确定不依赖于节点的层级关系，实现复杂医疗文书的索引提取方法的复用，提高复杂医疗文书的索引提取的效率。

继续参考图1，在步骤S120中，获取结构化节点列表中的节点属性与第一预设规则相匹配的结构化节点对应的文本。

在示例性的实施方式中，节点属性包括节点对应的文本样式，第一预设规则可以包括预设文本样式，例如预设文本样式列表。具体的，预设文本样式列表可以包括加黑、加粗、斜体、带有背景色、字体类型、字体大小等文本样式中的至少一种，其可以根据实际情况进行自定义。也可以预先配置默认的预设文本样式列表，在该预设文本样式列表中配置待处理医疗文书的索引可能对应的文本样式。当第一预设规则缺省时，可以启动默认的预设文本样式列表，以进行待处理医疗文书的索引提取。

需要说明的是，第一预设规则不局限于上述的预设文本样式，其可以根据实际情况进行自定义，例如，第一预设规则为预设文本排版等，只要是待处理医疗文书的索引可能对应的规则都可以被配置为第一预设规则，本示例性实施方式对此不做特殊限定。这样，可以提高医疗文书的索引提取的灵活性，提高索引提取方法的复用性，在对不同的医疗文书进行索引提取时，只需要根据实际情况替换第一预设规则即可。

举例而言，在上述的步骤S210中进行遍历时，可以将遍历到的结构化节点的节点属性与第一预设规则进行匹配，若匹配成功，则提取该结构化节点对应的文本，将该文本确定为待处理医疗文书的候选关键词，即候选索引，同时将该候选关键词记录在预先创建的候选索引集合中，如预先创建的候选索引列表中。

示例性的，图3示出本公开一示例性实施例中确定待处理医疗文书的候选索引集合的方法的流程示意图，参考图3，该方法可以包括步骤S310至步骤S320。其中：

在步骤S310中，将结构化节点列表中的各结构化节点的节点属性和预设文本样式列表中的各预设文本样式进行匹配。

举例而言，可以预先将预设文本样式列表中的各预设文本样式和其代表的节点属性的值进行关联。例如，节点属性的值为1时对应的文本样式为加黑，节点属性的值为2时对应的文本样式为斜体等，则可以预先在预设文本样式列表中的加黑样式和节点属性的值为1进行关联，将斜体样式的和节点属性的值为2进行关联。具体的，根据各属性的值的实际意义将其和预设文本样式列表中的各预设文本样式进行关联。

示例性的，步骤S310的具体实施方式可以是，在上述的步骤S210中进行遍历时，可以获取遍历到的结构化节点的节点属性的值，然后遍历预设文本样式列表，将结构化节点的节点属性的值和预设文本样式列表中的各预设文本样式关联的节点属性的值进行匹配。

在步骤S320中，获取匹配成功的结构化节点对应的文本，以确定待处理医疗文书的候选索引集合。

示例性的，若结构化节点的节点属性的值和某个预设文本样式所关联的节点属性的值一致，则匹配成功，那么，可以在结构化节点列表中获取该结构化节点对应的文本，并将该文本确定为待处理医疗文书的候选关键词(即候选索引)，同时将该候选关键词记录在预先创建的候选索引集合中，如预先创建的候选索引列表中，从而生成待处理医疗文书的候选索引列表。

继续参考图1，在步骤S130中，根据上述的文本生成待处理医疗文书的索引集合。

示例性的，步骤S130的具体实施方式可以是，根据第二预设规则对待处理医疗文书的候选索引集合中的各候选索引进行去重处理，以确定待处理医疗文书的目标索引集合；其中，所述第二预设规则包括正则匹配、完全匹配或部分匹配。

举例而言，在获取到匹配成功的结构化节点对应的文本，生成候选索引列表后，可以对候选索引列表中的各候选索引进行去重处理，以提高生成的索引的准确性。

具体的，在进行去重的时候，可以根据字符串的正则匹配进行去重，也可以根据字符串的完全匹配进行去重，还可以根据字符串的部分匹配进行去重。即，可以当多个索引对应的字符串完全一致时，判断其为互相重复的索引，也可以当多个索引对应的字符串中的部分字符一致或者满足预设的正则表达式时，判断其为互相重复的索引，可以根据实际需求和实际情况进行自定义设置，本示例性实施方式对此不做特殊限定。

在示例性的实施方式中，图1所示实施例提供的复杂医疗文书的索引提取方法可以用于对大量的复杂的医疗电子文书进行批量处理，同时生成各电子文书对应的索引集合。

示例性的，还可以根据各候选关键词在批量处理的电子文书中的出现频次，对去重后的候选索引列表中的各候选索引进行排序，根据排序结果确定排名前N位的去重处理后的候选索引集合中的候选索引为目标索引，以生成目标索引的集合。

例如，共有10万份医疗电子文书，对于各医疗电子文书而言，可以使用上述的步骤S110和步骤S120得到各医疗电子文书的候选索引，对各医疗电子文书的候选索引进行去重处理后进行合并，生成10万份医疗电子文书的合并候选索引集合，确定合并候选索引集合中的各索引在合并候选索引集合中的出现频次。根据各候选索引在合并候选索引集合中的出现频次对各电子文书进行去重处理后的索引进行排序，确定排名前N位的索引为目标索引，从而生成目标索引集合。

示例性的，还可以将根据出现频次对各医疗电子文书去重处理后候选索引集合中的各候选索引进行排序后的排序结果输出，将排序结果作为辅助信息提供给客户端的用户，让客户端的用户选择满足自己需求的候选关键词作为目标索引，响应于客户端在候选关键词中的选择操作，将客户端选择的候选关键词作为目标索引。

由于在实际的应用场景中，在面对海量的电子文书信息时，用户往往无从下手，不知道将哪些信息确定为索引词，但根据预设规则选择的候选索引词可能难以精确的满足客户的需求。因此，为了提高索引词的确定速度，同时保证生成的索引词的准确性，可以先根据上述的步骤S110至步骤S120，确定待处理医疗文书的候选索引词，然后，将各候选索引词的排序结果作为该候选索引词的权重返回给客户端，以辅助客户端的用户根据各索引词的权重和自己想要提取数据(即详细内容)的关键词选择最终的目标索引词，从而根据用户的选择生成目标索引的集合。

进一步的，确定目标索引的集合后，可以在待处理医疗文书中确定目标索引对应的数据。图4示出本公开一示例性实施例中生成各索引对应的数据的方法的流程示意图。参考图4，该方法可以包括步骤S410至步骤S420。

在步骤S410中，在结构化节点列表中，为节点属性与第一预设规则相匹配的结构化节点配置索引标记。

其中，第一预设规则与上述的步骤S120中的第一预设规则相同，节点属性与第一预设规则的匹配方式也和步骤S120中的具体实施方式相同，此处不再进行赘述。

示例性的，在上述的步骤120中，若某个节点的节点属性和第一预设规则匹配成功，则在结构化节点列表中为该结构化节点配置索引标记。

具体的，可以在结构化节点列表中增加一个字段，该字段用来表示该结构化节点对应的文本是否为候选索引，如果是，则将该结构化节点对应的该字段的值配置为1，如果不是，则将该结构化节点对应的该字段的值配置为0。即1为索引标记，0为非索引标记。

继续参考图4，在步骤S420中，遍历结构化节点列表，根据索引标记和索引集合确定待处理医疗文书的各索引对应的数据。

在示例性的实施方式中，步骤S410中的索引集合包括上述的目标索引集合，各索引包括上述的目标索引集合中的各索引，各索引对应的数据包括各索引对应的具体文本信息，例如，索引为“主诉”、“主诉”这个索引对应的数据为“咳嗽、流鼻涕、嗓子不舒服”。

通过上述的步骤S110将节点树转换为结构化节点列表，在确定待处理医疗文书的各索引对应的数据时，可以不依赖于节点的层级关系，直接在结构化节点列表中进行索引内容的提取，从而可以实现检索内容提取方法的复用，提高复杂医疗文书的索引提取的效率。

示例性的，步骤S420的具体实施方式可以是，顺序遍历所述结构化节点列表，针对各结构化节点，若所述结构化节点配置有索引标记且所述结构化节点对应的文本与所述索引集合中的索引匹配成功，则将所述结构化节点对应的文本确定为所述匹配成功的索引对应的数据；

若所述结构化节点配置有索引标记且所述结构化节点对应的文本与所述索引集合中的索引匹配失败，则对所述结构化节点对应的文本不进行处理；

若所述结构化节点未配置索引标记且其前一个结构化节点配置有索引标记且所述前一个结构化节点对应的文本与所述索引集合中的索引匹配成功，则将所述未配置索引标记的结构化节点对应的文本确定为其前一个匹配成功的索引对应的数据；

其中，若所述结构化节点对应的文本与所述索引集合中的索引匹配包括正则匹配、完全匹配或部分匹配。

举例而言，可以通过编写计算机程序代码生成一个内容收集器来实现上述的步骤S410至步骤S420，该内容收集器的实现逻辑为：顺序遍历结构化节点列表，对每一个结构化节点进行检查，若结构化节点配置有索引标记，则遍历上述的步骤S130中确定的目标索引集合中的各索引，以将该结构化节点对应的文本和上述的步骤S130中确定的目标索引集合中的各索引进行匹配(匹配规则可以包括全字匹配、正则匹配或部分匹配中的任一种，可以根据实际情况进行自定义)，如果匹配成功，则根据当前结构化节点创建一个结构节点，将该结果节点配置为内容收集器的记录点，并将此结果节点添加至待输出列表。其中，内容收集器中最多只有一个记录点，即当有新的记录点产生时，其会替换内容收集器中之前的记录点。如果结构化节点配置有索引标记，但该结构化节点对应的文本不能与索引集合中的索引匹配成功，则将当前内容收集器中的记录点移除(即当前内容收集器中的记录点的内容收集完毕，换言之，每个结果节点作为当前记录点开始收集内容的标记的同时，也充当了上一个记录点结束内容收集的标记)。如果结构化节点未配置索引标记，则将当前结构化节点的文本追加到内容收集器中的当前记录点(如果内容收集器中有记录点)的文本中，如果内容收集器中当前没有记录点，则不对该结构化节点的文本进行处理。待所有结构化节点遍历完成，输出待输出列表中的所有结果点即可得到待处理医疗文书的各索引对应的数据。

例如，如果第N个结构化节点配置有索引标记，且第N个结构化节点对应的文本和索引集合中的索引匹配成功，则根据第N个结构化节点生成一个结果节点，并将该结构节点配置为内容收集器的记录点，此时，内容收集器中的记录点即为第N个结构化节点对应的结果节点；继续遍历第N+1个结构化节点，当第N+1个结构化节点未配置有索引标记时，可以将第N+1个结构化节点对应的文本追加到第N个结构化节点对应的记录点的文本中；继续遍历第N+2个结构化节点，第N+2个结构化节点配置有索引标记，且第N+2个结构化节点对应的文本和索引集合中的索引匹配成功，则根据第N+2个结构化节点生成一个结果节点，用该结果节点替换内容收集器中的已有记录点，即将该结果节点配置为内容收集器中的新的记录点，则开始第N+2个结构化节点对应的记录点的内容收集；继续遍历第N+3个结构化节点，第N+3个结构化节点配置有索引标记，且第N+3个结构化节点对应的文本和索引集合中的索引匹配失败，则此时，则将第N+2个结构化节点对应的记录点从内容收集器中移除，即内容收集器中不存在记录点，直到下一个有索引标记且对应的文本与索引集合中的索引匹配成功的结构化节点出现，将该结构化节点对应的结果节点配置为内容收集器中的记录点，开始该结构化节点对应的索引的详细内容的收集。

通过上述的步骤S410至步骤S420，可以基于结构化节点列表实现待处理医疗文书的索引对应的内容的提取，可以不依赖于待处理医疗文书的文本的节点中的父子关系，能够对大量的数据进行批量复用处理，提高内容提取的灵活性和处理效率。

图5示出本公开一示例性实施例中另一种医疗文书的索引提取方法的流程示意图，参考图5，该方法可以包括步骤S510至步骤S530。

在步骤S510中，获取预设样式列表和医疗电子文书，通过索引提取器生成医疗电子文书的候选关键词的列表和结构化节点列表。

在示例性的实施方式中，预设样式列表中可以包括医疗电子文书中的索引词可能出现的样式，例如加黑、加粗、斜体等，可以根据实际情况进行自定义。

索引提取器可以是用计算机代码实现的提取医疗电子文书中的候选关键词的封装程序。其中，索引提取器的实现逻辑可以是：将医疗电子文书用开源的技术工具(如jsoup)转换成节点树，以深度优先的算法遍历节点树，将每个节点的文本、名称、属性提取出来构成一个结构化节点，并将该结构化节点加入待处理结构化节点列表；若遍历过程中，某节点的属性与预设样式列表中的预设样式相匹配，就从结构化节点列表中将此节点的文本提取出来并记录在预先创建的候选关键词列表中，即该结构化节点对应的文本为候选关键词(其可以作为内容提取的索引候选项)，并在结构化节点列表中给该结构化节点添加索引标记。

在步骤S520中，对候选关键词列表进行去重处理，以确定医疗电子文书的目标索引词。

示例性的，可以通过正则匹配、完全匹配、部分匹配中的任一种对候选关键词列表进行去重处理，以确定医疗电子文书的目标索引词列表。同时，也可以在去重处理后的候选关键词进行选择，从而确定医疗电子文书的目标索引词列表。

接下来，在步骤S530中，通过内容收集器根据上述的目标索引词列表和结构化节点列表生成各目标索引词的检索内容。

示例性的，步骤S530中的内容收集器和上述的步骤S420中的内容收集器的实现逻辑相同，此处不再进行赘述。步骤S530的具体实施方式和上述的步骤S420的具体实施方式也相同，将步骤S420中的索引集合替换为步骤S530中的目标索引词列表即可，此处不再进行赘述。

本领域技术人员可以理解实现上述实施方式的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本发明示例性实施方式的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

图6示出本公开示例性实施例中复杂医疗文书的索引提取装置的结构示意图。参考图6，该复杂医疗电子文书的索引提取装置600包括转换模块610、文本获取模块620以及索引生成模块630。其中：

转换模块610，被配置为将待处理医疗文书对应的节点树转换为结构化节点列表；

文本获取模块620，被配置为获取所述结构化节点列表中的节点属性与第一预设规则相匹配的结构化节点对应的文本；

索引生成模块630，被配置为根据所述文本生成所述待处理医疗文书的索引集合。

在本公开一示例性实施例中，基于前述实施例，上述的转换模块610被具体配置为：

利用深度优先算法遍历所述待处理医疗文书对应的节点树，获取节点树中的各节点对应的文本、节点标识和节点属性，以将节点树中的各节点转换成结构化节点；

根据遍历顺序，将各所述结构化节点添加至预设结构化节点列表中，以将所述待处理医疗文书对应的节点树转换为结构化节点列表。

在本公开一示例性实施例中，基于前述实施例，上述的文本获取模块620，还被具体配置为：

将所述结构化节点列表中的各结构化节点的节点属性和预设文本样式列表中的各预设文本样式进行匹配；

获取匹配成功的结构化节点对应的文本，以确定所述待处理医疗文书的候选索引集合。

在本公开一示例性实施例中，基于前述实施例，上述的索引集合生成模块630，还被具体配置为：

根据第二预设规则对所述待处理医疗文书的候选索引集合中的各候选索引进行去重处理，以确定所述待处理医疗文书的目标索引集合；

其中，所述第二预设规则包括正则匹配、完全匹配或部分匹配中的任一种。

在本公开一示例性实施例中，基于前述实施例，上述的复杂医疗电子文书的索引提取装置还包括索引标记配置模块(图6中未示出)和索引内容生成模块(图6中未示出)。

其中，索引标记配置模块被配置为在所述结构化节点列表中，为所述节点属性与第一预设规则相匹配的结构化节点配置索引标记；索引内容生成模块，被配置为遍历所述结构化节点列表，根据所述索引标记和所述索引集合确定所述待处理医疗文书的各索引对应的数据。

在本公开一示例性实施例中，基于前述实施例，上述的索引内容生成模块，还被具体配置为：

顺序遍历所述结构化节点列表，针对各结构化节点，若所述结构化节点配置有索引标记且所述结构化节点对应的文本与所述索引集合中的索引匹配成功，则将所述结构化节点对应的文本确定为所述匹配成功的索引对应的数据；

若所述结构化节点配置有索引标记且所述结构化节点对应的文本与所述索引集合中的索引匹配失败，则对所述结构化节点对应的文本不进行处理；

若所述结构化节点未配置索引标记且其前一个结构化节点配置有索引标记且所述前一个结构化节点对应的文本与所述索引集合中的索引匹配成功，则将所述未配置索引标记的结构化节点对应的文本确定为其前一个匹配成功的索引对应的数据；

其中，若所述结构化节点对应的文本与所述索引集合中的索引的匹配规则包括正则匹配、完全匹配或部分匹配中的任一种。

上述复杂医疗文书的索引提取装置中各模块的具体细节，已经在对应的复杂医疗文书的索引提取方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

在本公开示例性实施方式中，还提供了一种能够实现上述方法的计算机存储介质。其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

参考图7所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图8来描述根据本公开的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830以及显示单元840。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元810可以执行如图1中所示的：步骤S110，将待处理医疗文书对应的节点树转换为结构化节点列表；步骤S120，获取结构化节点列表中的节点属性与第一预设规则相匹配的结构化节点对应的文本；步骤S130，根据上述文本生成待处理医疗文书的索引集合。

又如，处理单元810还可以执行如图2至图5中所示的各个步骤。

存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。

存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备800也可以与一个或多个外部设备900(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

Claims (8)

1.一种复杂医疗文书的索引提取方法，其特征在于，包括：

将待处理医疗文书对应的节点树转换为结构化节点列表；

获取所述结构化节点列表中的节点属性与第一预设规则相匹配的结构化节点对应的文本，所述第一预设规则包括预设文本样式，所述预设文本样式用于指示所述待处理医疗文书中的关键词的文本样式；

根据所述文本生成所述待处理医疗文书的索引集合；

其中，根据所述文本生成所述待处理医疗文书的索引集合，包括：

根据所述文本生成所述待处理医疗文书的候选索引集合；

根据第二预设规则对所述候选索引集合中的各候选索引进行去重处理，以确定所述待处理医疗文书的目标索引集合；

在所述结构化节点列表中，为所述节点属性与第一预设规则相匹配的结构化节点配置索引标记；

顺序遍历所述结构化节点列表，针对各结构化节点，若所述结构化节点配置有索引标记且所述结构化节点对应的文本与所述索引集合中的索引匹配成功，则将所述结构化节点对应的文本确定为所述匹配成功的索引对应的数据；

若所述结构化节点配置有索引标记且所述结构化节点对应的文本与所述索引集合中的索引匹配失败，则对所述结构化节点对应的文本不进行处理；

若所述结构化节点未配置索引标记且其前一个结构化节点配置有索引标记且所述前一个结构化节点对应的文本与所述索引集合中的索引匹配成功，则将所述未配置索引标记的结构化节点对应的文本确定为其前一个匹配成功的索引对应的数据。

2.根据权利要求1所述的复杂医疗文书的索引提取方法，其特征在于，所述将待处理医疗文书对应的节点树转换为结构化节点列表，包括：

利用深度优先算法遍历所述待处理医疗文书对应的节点树，获取节点树中的各节点对应的文本、节点标识和节点属性，以将节点树中的各节点转换成结构化节点；

根据遍历顺序，将各所述结构化节点添加至预设结构化节点列表中，以将所述待处理医疗文书对应的节点树转换为结构化节点列表。

3.根据权利要求1所述的复杂医疗文书的索引提取方法，其特征在于，所述第二预设规则包括正则匹配、完全匹配或部分匹配中的任一种。

4.根据权利要求1所述的复杂医疗文书的索引提取方法，其特征在于，若所述结构化节点对应的文本与所述索引集合中的索引的匹配规则包括正则匹配、完全匹配或部分匹配中的任一种。

5.根据权利要求1至4中任一项所述的复杂医疗文书的索引提取方法，其特征在于，所述待处理医疗文书为用标记性语言承载的文本信息，所述用标记性语言承载的文本信息包括超文本标记语言HTML格式的文本信息和/或可扩展标记语言XML格式的文本信息。

6.一种复杂医疗文书的索引提取装置，其特征在于，包括：

转换模块，被配置为将待处理医疗文书对应的节点树转换为结构化节点列表；

文本获取模块，被配置为获取所述结构化节点列表中的节点属性与第一预设规则相匹配的结构化节点对应的文本，所述第一预设规则包括预设文本样式，所述预设文本样式用于指示所述待处理医疗文书中的关键词的文本样式；

索引生成模块，被配置为根据所述文本生成所述待处理医疗文书的索引集合；

其中，根据所述文本生成所述待处理医疗文书的索引集合，包括：

根据所述文本生成所述待处理医疗文书的候选索引集合；

根据第二预设规则对所述候选索引集合中的各候选索引进行去重处理，以确定所述待处理医疗文书的目标索引集合；

索引标记配置模块，被配置为在所述结构化节点列表中，为所述节点属性与第一预设规则相匹配的结构化节点配置索引标记；

索引内容生成模块，被配置为顺序遍历所述结构化节点列表，针对各结构化节点，若所述结构化节点配置有索引标记且所述结构化节点对应的文本与所述索引集合中的索引匹配成功，则将所述结构化节点对应的文本确定为所述匹配成功的索引对应的数据，若所述结构化节点配置有索引标记且所述结构化节点对应的文本与所述索引集合中的索引匹配失败，则对所述结构化节点对应的文本不进行处理，若所述结构化节点未配置索引标记且其前一个结构化节点配置有索引标记且所述前一个结构化节点对应的文本与所述索引集合中的索引匹配成功，则将所述未配置索引标记的结构化节点对应的文本确定为其前一个匹配成功的索引对应的数据。

7.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至5中任一项所述的复杂医疗文书的索引提取方法。

8.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至5中任一项所述的复杂医疗文书的索引提取方法。

Images