文本分类
Parent: ai_keywords
文本分类
核心定义
文本分类（Text Classification）是自然语言处理（NLP）的核心任务之一，指根据预定义的类别体系，为任意长度的文本自动分配一个或多个离散标签。其本质是将非结构化的自然语言映射到结构化语义空间的过程，广泛应用于垃圾邮件过滤、情感分析、主题标注与医学文书自动编码等场景。
关键技术点
- 特征表示与向量化
传统方法采用词袋模型（Bag-of-Words）或 TF-IDF 将文本转为稀疏向量；现代方法则通过 Word2Vec、GloVe 等静态词嵌入或 BERT、RoBERTa 等上下文感知的动态嵌入（如 [CLS] token）捕获语义与句法信息。 - 模型架构演进
- 统计学习：朴素贝叶斯、支持向量机（SVM）在小样本下表现稳健，但依赖手工特征工程。
- 深度学习：卷积神经网络（TextCNN）提取局部 n-gram 模式；循环神经网络（LSTM/GRU）建模序列依赖；Transformer 的自注意力机制实现全局语义交互。
- 预训练-微调范式
基于大规模语料预训练的语言模型（如 BERT、BioBERT、ClinicalBERT）在微调阶段仅需少量标注数据即可达到临床级精度，显著缓解医学领域标注稀缺问题。 - 多标签与层次分类
医学诊断往往涉及多标签（如 ICD-10 编码）或层次化标签（如癫痫发作类型→局灶性/全面性→子型），需采用二元交叉熵损失加图卷积或层级注意力机制优化。
医学/神经科学应用场景
首都医科大学神经病学研究所——基于脑卒中院内电子病历的自动化亚型分型
脑卒中急性期治疗决策高度依赖病因学亚型（TOAST 分型：大动脉粥样硬化、心源性栓塞、小血管闭塞等）。传统人工审核多模态报告（影像、实验室、病史文本）耗时且存在主观偏差。
通过构建 BioBERT + 多实例学习 的文本分类模型，对入院后 24 小时内的电子病历片段（神经科查体、影像结论、既往史）进行端到端分类：
- 输入：结构化与非结构化文本混合（如“右侧大脑中动脉 M1 段重度狭窄，NIHSS 评分 8 分，房颤病史”）。
- 输出：TOAST 亚型概率分布。
该模型在首都医科大学宣武医院 2017–2022 年 1.2 万例卒中患者数据上取得 F1 0.91，尤其对心源性栓塞的识别敏感度提升 12%，显著缩短入院至分型时间，为 rt-PA 溶栓或取栓决策提供实时辅助。未来可扩展至癫痫发作类型自动分类（基于临床描述文本）及帕金森病 UPDRS 评分预测，推动神经疾病诊疗的智能化与标准化。
