基于生成式模型的电子病历结构化与医疗知识抽取研究综述

基于生成式模型的电子病历结构化与医疗知识抽取研究综述一、电子病历结构化与知识抽取的核心需求与技术演进脉络电子病历（ElectronicHealthRecord,EHR）作为医疗服务过程中产生的核心数据载体，天然融合了患者主诉、临床诊断、检验检查结果、医嘱执行、预后随访等多维度医疗信息，其数据价值的释放被认为是实现精准医疗、临床决策支持、医疗质量管控、医保基金监管的核心基础。在传统医疗信息化体系中，电子病历多以半结构化的模板文档与非结构化的自由文本混合形式存在，尤其是病程记录、会诊意见、出院小结等核心诊疗内容，超过70%的信息以自然语言形式存储，难以直接被计算机系统解析与复用，这一特性直接导致医疗数据在跨机构共享、临床研究入组、辅助诊断模型训练等场景下的应用壁垒。早期电子病历结构化与知识抽取技术以规则匹配与统计机器学习为核心支撑：基于领域专家制定的规则模板（如正则表达式、医学词典匹配）可以实现特定实体（如疾病名称、药品名称）的高精准度抽取，但其泛化能力差，面对不同医疗机构的文本书写习惯差异、新词涌现等场景时需要频繁更新规则，维护成本极高；随后出现的条件随机场（CRF）、支持向量机（SVM）等统计机器学习方法，通过人工标注的语料训练特征提取器，一定程度上提升了模型的泛化能力，但这类方法高度依赖特征工程的质量，需要医学专家与算法工程师共同参与特征设计，且在处理长文本上下文依赖、嵌套实体、歧义表达等问题时性能存在明显瓶颈。直到2018年BERT等预训练语言模型的出现，基于Transformer架构的自然语言处理技术开始大规模渗透到医疗文本处理领域，通过在大规模医学文本语料上进行预训练，模型能够自动学习到医学术语的语义表示与上下文关联，显著降低了对人工特征工程的依赖，推动电子病历抽取任务的F1值从70%左右提升至85%以上。而生成式大语言模型的爆发式发展，进一步打破了传统判别式抽取模型的能力边界，不仅能够实现复杂实体、关系、事件的端到端抽取，更支持跨文档信息融合、非标准化术语归一化、隐含知识推理等复杂任务，为电子病历的深度价值挖掘提供了全新的技术路径。二、生成式模型在电子病历结构化任务中的主流技术范式当前生成式模型在电子病历结构化场景中的应用主要形成了三类主流技术范式，不同范式分别适配不同的结构化需求与数据条件：第一类是基于指令微调的生成式抽取范式，这是目前落地最广泛的技术路线。该范式将电子病历结构化任务转换为自然语言生成任务，通过设计针对性的提示指令，引导大语言模型按照指定格式输出结构化结果。例如针对出院小结中的诊断信息抽取，可设计指令为“请从以下出院小结文本中抽取所有明确诊断的疾病名称、对应的ICD-10编码、诊断时间，结果以JSON格式输出，未知字段填null”。相较于传统判别式模型需要为不同抽取任务单独训练模型，指令微调范式支持通过统一的基座模型适配实体抽取、关系抽取、属性提取、事件抽取等多种任务，仅需要调整指令内容即可实现任务切换，极大降低了多任务场景下的开发成本。为进一步提升模型在医疗垂直领域的表现，多数研究采用“通用预训练+医疗领域增量预训练+结构化任务指令微调”的三级训练策略：首先在通用大规模语料上完成基座模型的预训练，学习通用语言理解能力；随后在PubMed文献、医学教科书、电子病历文本等医疗领域语料上进行增量预训练，注入医学领域知识；最后基于人工标注的电子病历结构化数据集进行指令微调，让模型学习遵循指令输出符合要求的结构化结果。2023年发布的Med-PaLM2、扁鹊大模型、ChatGLM-Med等医疗垂直大模型均采用了这一技术路线，在公开电子病历抽取数据集上的表现已经接近人类医学专家的平均标注水平，部分简单实体抽取任务的F1值可达92%以上。该范式的核心优势在于开发效率高、任务适配灵活，但其性能高度依赖指令设计的质量与微调数据的覆盖度，面对训练集中未出现的罕见疾病、非典型表述时容易出现抽取错误或幻觉。第二类是基于检索增强生成（Retrieval-AugmentedGeneration,RAG）的结构化范式，主要用于解决生成式模型的幻觉问题与知识更新需求。电子病历中的大量术语、诊断标准、药品信息处于动态更新过程中，而大模型的参数化知识存在滞后性，直接生成容易出现术语编码错误、旧诊断标准误用等问题。RAG范式通过在生成过程中引入外部知识库检索环节，首先从医学术语库（如UMLS、SNOMEDCT、中国临床医学术语集）、最新临床指南、药品说明书等结构化知识库中检索与当前电子病历文本相关的权威知识片段，再将检索到的知识与病历文本共同输入生成模型，引导模型基于权威知识输出结构化结果。例如在抽取疾病的ICD编码时，模型首先基于识别到的疾病名称检索术语库中对应的标准名称与编码，再结合病历上下文确认是否匹配，有效避免了模型自行编造编码的问题。2024年的多项研究表明，引入RAG模块后，生成式模型在非标准化术语归一化任务上的错误率可降低40%以上，罕见病实体抽取的F1值提升15-20个百分点。该范式的另一大优势是支持知识的动态更新，不需要重新训练模型即可通过更新知识库适配最新的医疗标准，在医保编码映射、疾病分类等对知识准确性要求极高的场景中具有极高的应用价值。第三类是基于多模态生成的结构化范式，主要针对包含图像、数值、文本混合信息的电子病历场景。完整的电子病历不仅包含自由文本，还嵌入了检验报告数值、医学影像描述、病理切片结论、监护仪波形数据等多模态信息，传统文本生成模型无法有效融合这类多源信息。多模态生成式模型通过统一的特征编码器将文本、数值、图像等不同模态的信息映射到同一语义空间，再通过生成解码器输出跨模态融合的结构化结果。例如针对包含肺部CT影像描述与检验指标的肺炎患者病历，多模态生成模型可以同时结合CT影像的“右肺下叶斑片影”描述、C反应蛋白的数值、患者的发热症状，抽取得到“社区获得性肺炎”的诊断实体，并关联对应的严重程度分级、病原体倾向等属性信息。目前多模态生成在电子病历领域的应用仍处于探索阶段，核心挑战在于多模态医疗数据的标注成本极高，且不同模态信息的对齐难度大，现有研究主要集中在检验报告与文本的融合、影像报告与影像特征的融合等相对简单的场景，随着多模态医疗大模型技术的成熟，该范式将成为复杂电子病历结构化的重要发展方向。三、生成式模型支撑的医疗知识抽取核心任务场景生成式模型的能力边界拓展，使得医疗知识抽取不再局限于传统的实体抽取范畴，已经延伸到医疗知识网络构建、临床路径挖掘、不良事件预警等多个复杂任务场景：在基础实体与关系抽取层面，生成式模型解决了传统判别式模型难以处理的嵌套实体、重叠关系抽取问题。电子病历中广泛存在嵌套实体，例如“2型糖尿病伴肾脏并发症”同时包含“2型糖尿病”和“糖尿病肾脏并发症”两个疾病实体，传统序列标注模型难以同时识别不同层级的实体，而生成式模型可以通过输出嵌套结构的标签体系直接实现多层级实体的抽取。对于关系抽取任务，传统方法需要预先定义关系类型集合，无法处理开放域的关系发现，而生成式模型支持开放关系抽取，可自动从病历文本中发现未定义的关系类型，例如在心血管病历中自动挖掘“长期使用阿司匹林-消化道出血风险升高”的潜在关联，为药物不良反应发现提供数据支撑。2025年最新发布的研究显示，生成式模型在嵌套医疗实体抽取任务上的F1值比传统CRF模型高出23.7个百分点，在重叠关系抽取任务上的性能提升达到31.2%，充分展现了其在复杂抽取任务上的优势。在临床事件抽取与时间线构建层面，生成式模型能够实现跨文档的医疗事件时序梳理。一名患者的电子病历往往包含多次门诊、住院、随访的记录，分布在不同的文档中，完整的诊疗事件梳理需要整合分散在多个文档中的信息，判断不同事件的发生顺序、因果关联。生成式模型可以通过多文档上下文理解能力，自动整合不同时间点的病历信息，构建患者的完整诊疗时间线，抽取包含“发病-就诊-检查-诊断-治疗-预后”全流程的临床事件，并关联每个事件的时间、主体、结果等属性。这类结构化的诊疗时间线数据可直接应用于临床路径分析、疾病预后模型训练、医疗质量回溯等场景，例如通过梳理上万名肺癌患者的诊疗时间线，分析不同治疗方案的预后效果，为临床指南更新提供真实世界证据。在隐含知识推理抽取层面，生成式模型能够挖掘病历文本中未明确表述的隐含知识。电子病历中的诊疗记录往往基于临床医生的共同知识背景，存在大量省略表述，例如记录“患者予胰岛素降糖治疗”即隐含了患者存在糖尿病的诊断，传统抽取模型仅能抽取到“胰岛素”“降糖治疗”等显式实体，无法推断出“糖尿病”这一隐含诊断。而生成式模型通过注入医学领域知识，能够基于上下文进行逻辑推理，补全这类隐含信息。同时，生成式模型还可以实现医疗知识的标准化映射，将不同医疗机构的非标准化表述（如“心梗”“心脏梗死”统一映射为“心肌梗死”）、不同版本的诊断编码（如ICD-10与ICD-11的编码映射）自动对齐，解决了医疗数据跨机构共享的标准化难题。四、当前技术落地的核心挑战与未来研究方向尽管生成式模型在电子病历结构化与知识抽取领域已经展现出显著的技术优势，但在实际落地过程中仍然面临三大核心挑战：第一是数据安全与隐私保护问题。电子病历属于高度敏感的个人健康数据，生成式模型的训练与推理过程存在数据泄露的风险。首先，在模型训练阶段，若直接使用包含患者隐私信息的原始病历进行微调，可能导致模型在推理阶段“记忆”并泄露患者的隐私信息；其次，云端部署的大模型在推理时需要将病历数据传输到第三方服务器，违反了《个人信息保护法》《医疗卫生机构网络安全管理办法》中关于医疗数据出境、本地化存储的要求。目前隐私计算与大模型的结合成为研究热点，联邦学习、差分隐私、同态加密等技术被尝试用于生成式模型的训练与推理过程，通过数据不出域、模型梯度加密传输等方式，在保护数据隐私的前提下完成模型训练。此外，轻量级端侧部署的医疗专用小模型也是重要的发展方向，模型参数规模控制在10B以内，可直接部署在医疗机构的本地服务器中，不需要数据外传，从根源上避免数据泄露风险。第二是模型幻觉与准确性管控问题。生成式模型的固有特性使其可能输出不存在的实体、关系或编码，而医疗场景对结果的准确性要求极高，一旦出现抽取错误可能直接影响临床决策的安全性。现有解决方案主要从三个维度入手：一是通过RAG引入权威知识库约束模型的输出范围，所有抽取结果必须能够关联到知识库中的权威条目，从源头减少幻觉；二是构建多模型一致性校验机制，对于关键抽取结果（如诊断、药品、高值耗材信息），同时调用多个不同架构的模型进行抽取，若结果不一致则触发人工审核流程；三是建立模型输出的置信度评估机制，让模型在生成结果的同时输出对应的置信度评分，对于置信度低于阈值的结果自动转入人工审核队列。2025年的多项落地实践表明，通过上述组合管控策略，生成式模型抽取结果的错误率可控制在0.1%以下，达到临床落地的准确性要求。第三是标注数据稀缺与领域适配问题。医疗领域的标注数据需要具备医学资质的专业人员完成，标注成本极高，一个标注良好的万级规模电子病历数据集的标注成本可达数百万元，且不同科室、不同医疗机构的文本书写习惯差异大，单一数据集训练的模型泛化能力有限。小样本与零样本学习是解决这一问题的核心方向，通过设计更高效的提示工程、引入少样本示例学习、采用参数高效微调（PEFT）技术，仅需要数十至数百条标注数据即可完成特定场景的模型适配。此外，基于医疗知识图谱的合成数据生成技术也逐渐成熟，通过知识图谱自动生成大量符合真实病历书写逻辑的合成标注数据，可有效补充真实标注数据的不足，降低模型的训练成本。未来该领域的研究将主要集中在四个方向：一是多模态生成式模型与多源医疗数据的深度融合，实现文本、影像、检验、监护数据的一体化结构化；二是大模型与临床决策支持系统的深度耦合，将抽取得到的结构化知识直接转化为临床干