PatientPheX: A Full-Text Biomedical Corpus for Patient-Specific Phenotype Information Extraction

在广袤的人类生物学领域，一个人的独特故事通常是用两种语言书写的。一种是遗传密码，即携带在我们 DNA 中的隐藏指令。另一种是表型，即构成一个人物理现实的可观察特征和属性的集合。这些特征包括从眼睛的颜色到疾病的具体症状，再到血液检查的结果，或是身体对药物的反应方式。对于医生和研究人员，尤其是那些研究罕见疾病的研究者来说，将这两种语言联系起来至关重要。他们需要准确知道哪些症状属于哪位患者，以便理解基因是如何塑造健康与疾病的。

然而，这种联系往往被埋没在非结构化的医学文献文本中。病例报告和详细的研究以丰富的叙述性细节描述了个体患者，但这些信息散落在句子、段落和章节之中。对某种症状的描述可能出现在引言部分，而遗传诱因可能在结论中讨论，关于其家属类似病情的记录则可能被塞在中间。要提取这些信息以构建单个患者清晰、有组织的档案，对于计算机来说是一项艰巨的任务，因为计算机难以理解上下文、区分同一篇故事中的不同人物，以及识别某个症状是确实存在还是仅仅被提及（例如并未发生）。

为了应对这一挑战，大连理工大学的一个研究小组创建了一个名为 PatientPheX 的新资源。这并非一种治愈疾病的工具，而是一个经过人工精心标注的、包含 200 篇全文医学文章（主要是病例报告和系列病例）的精心构建的库。可以将它想象成一个训练场，让计算机能够像经验丰富的临床医生那样阅读医学故事：识别谁是患者，发现每一个症状或疾病的提及，并将这些细节与正确的人员联系起来。研究人员不仅仅是要求计算机寻找单词；他们教会了计算机理解单词之间的关系，例如区分患者自身的症状与亲属的症状，或者识别医生在描述某个症状不存在时的表达。

这个库的创建是一个融合了人类专业知识与现代技术的严谨过程。团队首先从庞大的医学文献数据库中选择了 200 篇文章。随后，他们使用自动化软件进行了初步筛选，标出潜在的疾病、基因、化学物质及其他生物实体的提及。为了确保准确性，他们利用了大语言模型——这些是在海量文本上训练过的先进计算机程序——来审查这些初步筛选出的内容，并标记出潜在的错误或缺失部分。最后，由包括教授和研究生在内的 11 名研究人员组成的团队对每一篇文章进行了人工审核。他们通过结对工作来确定每个医学术语的边界，决定特定发现属于哪位患者，并记录下复杂的细节，如否定性发现（negated findings）或将多个症状捆绑在一起的复合描述。这种“人机协同”（human-in-the-loop）的方法确保了最终的数据集成为了可靠性的金标准，包含了超过 55,000 个特定的生物医学实体提及，以及近 7,400 个将这些实体与个体患者明确联系起来的显式链接。

该资源的真正测试在于，研究人员利用它来观察当前的计算机程序执行相同任务的能力如何。他们设计了一系列实验，旨在衡量不同人工智能模型识别医学术语以及更重要的——将术语分配给正确人物的能力。当给予模型经过人类验证的完美医学术语列表作为参考时，表现最好的系统能够以约 88% 的准确率正确地将症状与患者联系起来。这表明，在理想情况下，计算机非常擅长理解医学文本中“谁是谁”。然而，现实世界很少是理想的。当研究人员迫使模型在没有任何人类帮助的情况下先自行寻找术语时，性能显著下降。表现最好的系统，其准确率降至约 63%。

这种性能下降凸显了仍然存在的具体障碍。研究人员发现，虽然计算机在识别标准术语（如特定基因或已知疾病）方面正变得越来越好，但在处理医生描述症状时那种杂乱且多变的方式方面仍显吃力。一个临床描述可能包含几种不同的异常情况，或者使用不符合标准医学词典的措辞。此外，追踪单篇文档中的多个患者的任务仍然很困难。计算机可能会正确识别一个症状，但却无法意识到该症状属于患者的兄弟而非患者本人，或者因为它被埋在报告的不同章节中而完全遗漏了某项发现。研究还表明，第一步（寻找正确的单词）中的错误会连锁反应到第二步，如果初始术语列表存在缺陷，就无法构建完整且准确的患者档案。

尽管存在这些挑战，这项工作为未来的生物医学研究提供了至关重要的基础。通过提供一个结合了全文叙述与精确的患者级标注的数据集，PatientPheX 使科学家能够开发并测试能够将零散的医学故事转化为结构化、可用知识的方法。研究人员强调，虽然目前的结果显示仍有改进空间，但该资源是构建能够可靠组织医学文献中所含大量信息的系统的必要步骤。其目标不仅是提取数据，而是创建一个清晰、结构化的每位患者健康历程的图景，这最终可能有助于研究人员比以往任何时候都更有效地揭示基因与疾病之间的联系。