自然语言处理入门到进阶：一个医疗软件公司Python开发的血泪实战笔记
上周五晚上十点半，我还在工位上死磕一个 NLP 模型——产品经理又在 Slack 上 @ 我：“能不能让这个病历摘要再智能一点？现在输出跟 AI 胡说八道似的。”
我盯着终端里那行 Loss: 2.34 (still not converging...)，差点一口老血喷在 Mac 键盘上。
我是某家医疗行业 SaaS 公司的 Python 后端开发，日常除了写 CRUD 接口、怼数据库慢查询，还得兼职搞点 NLP 相关的活儿。毕竟我们做的是电子病历智能分析系统，光靠正则表达式匹配“发烧”“咳嗽”早就糊弄不过去了。更惨的是，最近我还边上班边刷 LeetCode 准备跳槽，每天早上 8 点准时到公司，就为了抢在晨会前跑完一轮模型训练（别问，问就是 GPU 资源被测试团队占着跑 UI 自动化）。
今天这篇水文，就想聊聊我在医疗 NLP 这个坑里摸爬滚打一年多的心得——从连 BERT 是啥都不知道，到现在能搭起一个还算靠谱的临床实体识别 pipeline。如果你也正准备面试 NLP 岗，或者被老板逼着搞“AI+医疗”，希望这篇能帮你少走点弯路。
为啥非得搞 NLP？因为病历真的没法用 SQL 查
我们系统每天要处理上万份医生手写的门诊记录。这些文本长得像这样：
“患者主诉反复咳嗽伴低热1周，夜间加重，无咯血。既往有支气管哮喘史，否认结核接触史。”
产品经理最初的想法很朴素：“能不能把‘咳嗽’‘低热’‘哮喘’这些词抽出来，存成结构化字段？”
听起来简单，对吧？但现实是：
- 医生缩写千奇百怪（“COPD”、“DM2”、“CHF”）
- 同义词满天飞（“发烧”=“发热”=“体温升高”）
- 否定句防不胜防（“无胸痛”≠“有胸痛”）
传统规则方法很快崩了。去年双11期间，系统误把“否认高血压”识别成阳性，触发了一堆错误预警，运维半夜打电话骂我：“你这模型是不是喝假酒了？”
于是，NLP 正式提上日程。
入门：别一上来就啃 Transformer，先搞定基础工具链
我一开始直接去 GitHub 扒了个 BERT 微调脚本，结果本地跑三天都没收敛。后来才明白：NLP 不是换个预训练模型就能起飞的魔法。
必读的几本书 & 资源
| 类型 | 名称 | 我的评价 |
|---|---|---|
| 入门书 | 《Speech and Language Processing》(Jurafsky) | 经典！虽然厚，但第8章讲 NER 讲得贼清楚 |
| 实战书 | 《Natural Language Processing in Action》 | 代码多，适合边看边敲 |
| 在线课 | Stanford CS224n | 免费！但数学有点硬核，建议配合食用李沐的《动手学深度学习》 |
| 中文资源 | 哈工大 LTP / THUNLP 的博客 | 对中文医疗文本特别友好 |
血泪教训：别迷信英文教材里的例子。英文分词天然有空格，中文得先过 tokenizer 这一关。我们早期用 jieba 切词，结果把“心肌梗死”切成“心肌/梗死”，实体直接废了。后来换成 LAC（百度开源的中文词法分析工具），准确率立马涨了 15%。
进阶：从 spaCy 到 BERT，再到部署上线
搞定基础分词后，我们开始搞命名实体识别（NER）。目标很明确：从病历中抽 疾病、症状、检查、药物 四类实体。
第一版：spaCy + 规则兜底
import spacy
from spacy.training import Example
# 加载中文模型（需自行训练）
nlp = spacy.load("zh_core_medical_sm")
# 添加否定规则
def negate_entities(doc):
for ent in doc.ents:
if "否认" in [token.text for token in ent.sent]:
ent._.negated = True # 自定义属性
return doc
nlp.add_pipe(negate_entities, after="ner")
效果还行，但遇到新药名（比如刚上市的“瑞德西韦”）就抓瞎。而且 spaCy 的 CRF 解码在长病历上速度感人——单份病历平均 800ms，根本扛不住线上 QPS。
第二版：BERT + BiLSTM-CRF
面试题来了：为什么不用纯 BERT 做 NER？
答：BERT 输出的是 token-level logits，直接 argmax 容易出现“B-Disease, I-Symptom”这种非法标签序列。加一层 CRF 能保证标签转移合法，还能引入上下文约束。
我们用 transformers + pytorch-crf 搞了个轻量 pipeline：
from transformers import BertTokenizer, BertModel
from torchcrf import CRF
class MedicalNER(nn.Module):
def __init__(self, num_labels):
self.bert = BertModel.from_pretrained('bert-base-chinese')
self.classifier = nn.Linear(768, num_labels)
self.crf = CRF(num_labels, batch_first=True)
def forward(self, input_ids, labels=None):
outputs = self.bert(input_ids)[0]
emissions = self.classifier(outputs)
if labels is not None:
loss = -self.crf(emissions, labels, mask=input_ids.ne(0))
return loss
return self.crf.decode(emissions)
关键调优点：
- 学习率：BERT 层 2e-5，CRF 层 1e-3（别全用一样！）
- Batch Size：医疗文本长，GPU 显存有限，最后定在 16
- 数据增强：用同义词替换（比如“发烧”→“发热”）缓解标注数据少的问题
训练完在内部测试集上 F1 达到 0.89，上线后误报率降了 60%。最爽的是，现在系统能识别“服用阿司匹林后出现皮疹”中的因果关系了（虽然这用了额外的关系抽取模块，此处略过）。
面试高频题 & 我踩过的坑
最近刷题时发现，NLP 面试题越来越偏工程实践。分享几个真实被问到的：
“如何处理 OOV（Out-of-Vocabulary）问题？”
→ 我们的解法：子词切分（WordPiece）+ 医学术语词典强制加入 tokenizer 词汇表。“线上模型延迟高怎么办？”
→ 量化！用onnxruntime把 BERT 转成 ONNX 格式，推理速度提升 3 倍。顺便吐槽：运维一开始死活不肯给 NLP 服务单独配 GPU，说“你们又不是搞 CV 的”，直到我把 P99 延迟从 2s 降到 300ms...“怎么评估模型效果？准确率够吗？”
→ 医疗场景下，召回率比准确率重要！漏掉一个“过敏史”可能出人命。所以我们设定了不同的阈值，并人工抽检 500 份病历做黄金标准。
最后几句大实话
NLP 在医疗领域远没到“开箱即用”的程度。就算你 fine-tune 了百亿参数的大模型，面对“患者诉间断性脐周隐痛，饭后为著”这种描述，照样可能翻车。
我的建议：
- 别追求 SOTA：在业务场景里，一个稳定、可解释、易维护的模型，比刷榜模型有价值得多。
- 数据 > 模型：花 80% 时间清洗和标注数据，20% 调参。我们团队现在有个专职医学编辑帮我们标数据，效果拔群。
- 善用开源：别重复造轮子。腾讯的 Medical-BERT、阿里云的 Qwen-Med 都可以直接拿来微调。
写这篇文章的时候，我的模型终于收敛了（Loss: 0.42 🎉）。虽然不知道下个月跳槽面试能不能用上这些经验，但至少——产品经理今晚不会再@我了。
共勉。
评论 0