IE101TW / app.py
DeepLearning101's picture
Update app.py
8a94bfc
raw
history blame
17.5 kB
# -*- coding: utf-8 -*-
# @Time : 2023/05/30
# @Author : TonTon H.-D. Huang Ph.D.
# @Web :http://TWMAN.ORG
# @EMail :TonTon@TWMAN.ORG
# @File : HugIE.py
# @Description :毋需重新訓練的醫療診斷書醫囑文字分析
import gradio as gr
import json, re
from applications.information_extraction.HugIE.api_test import HugIEAPI
from dateutil import parser
from datetime import datetime
model_type = "bert"
hugie_model_name_or_path = "https://huggingface.co/wjn1996/wjn1996-hugnlp-hugie-large-zh/" #如果不能連網,請自行下載並設定路徑
hugie = HugIEAPI(model_type, hugie_model_name_or_path)
def convert_to_ROC_date(date): #只轉換年月日等日期
date_regex = r'(\d{3,4}[-::/.年]\d{1,2}[-::/.月]\d{1,2}[日]?)'
time_regex = r'(\d{1,2}[-::/.時]\d{1,2}[-::/.分]\d{1,2}[秒]?)'
date_match = re.search(date_regex, date)
if date_match:
date_part = date_match.group(1)
parsed_date = parser.parse(date_part, fuzzy=True)
if str(date_part).startswith('20'):
ROC_year = int(date_part[:4])- 1911
else:
ROC_year = int(date_part[:3])
ROC_month = parsed_date.month
ROC_day = parsed_date.day
ROC_date = f"{ROC_year:03d}{ROC_month:02d}{ROC_day:02d}"
return ROC_date
else:
return date
def convert_to_ROC_time(time): #只處理時間,看 ketword 和 relation 可以發現只有 relation2 才會需要處理時間
time_regex = r'(\d{1,2}[-::/.時]\d{1,2}[-::/.分](?:\d{1,2}[秒])?)'
time_match = re.search(time_regex, time)
if time_match:
time_part = time_match.group(1)
try:
parsed_time = datetime.strptime(time_part, "%H時%M分%S秒")
except ValueError:
parsed_time = datetime.strptime(time_part, "%H時%M分")
parsed_time = parsed_time.replace(second=0)
ROC_time = parsed_time.strftime("%H%M%S")
return ROC_time
def extract_information(text):
keywords = { #視情況自己新增調整,不用重新訓練
'Hospital1': ['入院', '住入本院', '普通病房', '住院', '轉入一般病房', '入住本院'], # 住院相關,普通病房
'Hospital2': ['出院', '離院'], # 出院相關,普通病房
'Burn1': ['燒燙傷'], # 燒燙傷類病房
'Burn2': ['燒燙傷'], # 燒燙傷類病房
'ICU1': ['加護病房', '住院加護病房'],
'ICU2': ['轉普通病房', '轉入普通病房', '轉至普通病房', '轉回一般病房', '轉至兒科一般病房'],
'exclude_Clinic': ['門診追蹤', '門診複查', '門診持續追蹤', '急診求治', '繼續追蹤', '急診就診'],
'Clinic': ['牙科', '來院門診', '門診就診', '看診', '回診', '門診回診', '婦科就診', '門診治療', '來院就診', '本院診療', "本院門診", "經門診", "門診就醫", "由門診", "接受門診", "至診就診", "至門診複診"],
'Operation1': ['手術', '切除術', '置放術', '切片術', '幹細胞'],
'Operation2': ['左側乳房部分切除併前哨淋巴清除手術', '手術', '切除術', '置放術', '切片術', '幹細胞'],
'Emergency1': ['急診'],
'Emergency2': ['住入加護病房'],
'Chemotherapy': ['化學治療', '化療', '靜脈注射免疫藥物及標靶藥物治療'],
'Cancer': ['罹癌'],
'Radiation': ['放射線', '放射']
}
relations = {
'Hospital1': {'entity': '住院A', 'relation1': '開始日期'},
'Hospital2': {'entity': '住院A', 'relation1': '結束日期'},
'Burn1': {'entity': '燒燙傷病房B', 'relation1': '開始日期'},
'Burn2': {'entity': '燒燙傷病房B', 'relation1': '結束日期'},
'ICU1': {'entity': '加護病房C', 'relation1': '開始日期'},
'ICU2': {'entity': '加護病房C', 'relation1': '結束日期'},
'exclude_Clinic': {'entity': None},
'Clinic': {'entity': '門診D', 'relation1': '日期'},
'Operation1': {'entity': '手術F', 'relation1': '日期'},
'Operation2': {'entity': '手術F', 'relation1': '手術項目'},
'Emergency1': {'entity': '急診G', 'relation1': '開始日期', 'relation2': '開始時間'},
'Emergency2': {'entity': '急診G', 'relation1': '結束日期', 'relation2': '終止時間'},
'Chemotherapy': {'entity': '癌症化療H', 'relation1': '起訖日'},
'Cancer': {'entity': '罹癌I', 'relation1': '起訖日'},
'Radiation': {'entity': '癌症放射線J', 'relation1': '起訖日'}
}
#A:住院、B:燒燙傷、C:加護病房、D:門診、F:手術、G:急診、H:癌症化療、I:罹癌、J:癌症放射線
results = []
for entity, keyword_list in keywords.items():
output = {
'entity': relations[entity]['entity'],
'relations': {}
}
for keyword in keyword_list:
if keyword in keywords['exclude_Clinic']:
continue
if keyword in text and entity in relations:
entity_relations = relations[entity]
relation1 = entity_relations.get('relation1') # 取得關係1
relation2 = entity_relations.get('relation2') # 取得關係2
if relation1:
predictions, topk_predictions = hugie.request(text, keyword, relation=relation1)
if predictions[0]: # 如果有預測結果
for prediction in predictions[0]:
date_prediction = convert_to_ROC_date(prediction)
if relation1 == '開始日期':
relation_label = '受理_起始日'
output['relations'].setdefault(relation_label, {
'relation': relation_label,
'predictions': []
})
if date_prediction[:7] not in output['relations'][relation_label]['predictions']:
output['relations'][relation_label]['predictions'].append(date_prediction[:7])
elif date_prediction not in output['relations'][relation_label]['predictions']:
output['relations'][relation_label]['predictions'].append(date_prediction)
elif relation1 == '結束日期':
relation_label = '受理_終止日'
output['relations'].setdefault(relation_label, {
'relation': relation_label,
'predictions': []
})
date_pattern = r"1[0-9]\d{3}(?:0[1-9]|1[0-2])(?:0[1-9]|[1-2]\d|3[01])(?:\d{4-6})?$" #抓年月日時分秒,懶得再修了
match = re.match(date_pattern, date_prediction[:7])
if match:
if date_prediction[:7] not in output['relations'][relation_label]['predictions']:
output['relations'][relation_label]['predictions'].append(date_prediction[:7])
else:
if date_prediction not in output['relations'][relation_label]['predictions']:
output['relations'][relation_label]['predictions'].append(date_prediction)
elif relation1 in ['起訖日', '日期']:
relation_label = '受理_起始日'
output['relations'].setdefault(relation_label, {
'relation': relation_label,
'predictions': []
})
date_pattern = r"1[0-9]\d{3}(?:0[1-9]|1[0-2])(?:0[1-9]|[1-2]\d|3[01])(?:\d{4-6})?$" #抓年月日時分秒,懶得再修了
match = re.match(date_pattern, date_prediction[:7])
if match:
if date_prediction[:7] not in output['relations'][relation_label]['predictions']:
output['relations'][relation_label]['predictions'].append(date_prediction[:7])
else:
if date_prediction not in output['relations'][relation_label]['predictions']:
output['relations'][relation_label]['predictions'].append(date_prediction)
relation_label = '受理_終止日'
output['relations'].setdefault(relation_label, {
'relation': relation_label,
'predictions': []
})
date_pattern = r"1[0-9]\d{3}(?:0[1-9]|1[0-2])(?:0[1-9]|[1-2]\d|3[01])(?:\d{4-6})?$" #抓年月日時分秒,懶得再修了
match = re.match(date_pattern, date_prediction[:7])
if match:
if date_prediction[:7] not in output['relations'][relation_label]['predictions']:
output['relations'][relation_label]['predictions'].append(date_prediction[:7])
else:
if date_prediction not in output['relations'][relation_label]['predictions']:
output['relations'][relation_label]['predictions'].append(date_prediction)
elif relation1 == '手術項目':
relation_label = '手術項目'
output['relations'].setdefault(relation_label, {
'relation': relation_label,
'predictions': []
})
if date_prediction not in output['relations'][relation_label]['predictions']:
output['relations'][relation_label]['predictions'].append(date_prediction)
['predictions'].append(date_prediction)
if relation2:
predictions, topk_predictions = hugie.request(text, keyword, relation=relation2)
if predictions[0]: # 如果有預測結果
for prediction in predictions[0]:
date_prediction = convert_to_ROC_time(prediction)
if relation2 == '開始時間':
relation_label = '受理_起始日時分秒'
output['relations'][relation2] = {
'relation': relation_label,
'predictions': [date_prediction]
}
if relation2 == '終止時間':
relation_label = '受理_終止日時分秒'
output['relations'][relation2] = {
'relation': relation_label,
'predictions': [date_prediction]
}
existing_entities = [result['entity'] for result in results]
if output['entity'] in existing_entities:
# 合併相同實體的關係
existing_result = next((result for result in results if result['entity'] == output['entity']), None)
existing_relations = existing_result['relations']
for relation, predictions in output['relations'].items():
existing_relations[relation] = predictions
else:
results.append(output)
results = [result for result in results if result['relations']]
return json.dumps(results, indent=4, ensure_ascii=False)
title = "<p style='text-align: center'><a href='https://www.twman.org/AI/NLP' target='_blank'>醫囑分析:HugIE @ HugNLP</a>"
description = """
<p style='text-align: center'><a href="https://blog.twman.org/2023/07/HugIE.html" target='_blank'>基於機器閱讀理解(MRC)的指令微調(Instruction-tuning)的統一信息抽取框架之診斷書醫囑擷取分析</a></p><br>
<p style='text-align: center'><a href="https://github.com/Deep-Learning-101" target='_blank'>https://github.com/Deep-Learning-101</a></p><br>
<p style='text-align: center'><a href="https://github.com/Deep-Learning-101/Natural-Language-Processing-Paper" target='_blank'>https://github.com/Deep-Learning-101/Natural-Language-Processing-Paper</a></p><br>
"""
demo = gr.Interface(
fn=extract_information,
inputs=gr.components.Textbox(label="醫療診斷書之醫囑原始內容"),
outputs=gr.components.Textbox(label="醫療診斷書之醫囑擷取結果"),
examples = [
"患者因上述疾病,曾於112年02月13日12:15~112年02月13日13:43至本院急診治療,於112年02月13日轉灼傷中心普通病房,於112年02月17日接受傷口清創手術治療,於112年02月24日接受左上肢植皮重建手術治療,於112年03月03日轉出灼傷中心病房,於 112年03月09日病情穩定出院,曾於112年03月17日、112年03月21日、112年03月28日、112年04月07日、112年04月18日至本院門診治療,須穿著壓力衣避免疤痕增生,續門診追蹤",
"患者因甲狀腺乳突癌術後,依病歷記錄,患者接受王舒儀醫師於2023-03-29,郭仁富醫師於2023-05-02之本院門診追蹤治療,共計2次,並於2023-05-02至2023-05-03住院接受高劑量放射性碘隔離治療,現病況穩定予以出院,共計住院兩日,宜門診繼續追蹤治療。",
"1.患者因上述原因於202304-06在本院住院於2023-04-07施行開放性復位及鋼釘鋼板固定手術治療.術後應休養二個月患肢不宜提重物並使用手吊#六星明於2023-04-10計院續日診治蹤治療",
"病患曾於108-12-17至本院門診手術室接受右側經皮穿腎引留管換管手術治療,病患曾於108-12-17至本院門診治療",
"患者因上述原因曾於108年06月03日,12月06日,在本院門診接受子宮頸抹片追蹤檢查,建議返回長庚醫院後續癌症追蹤。",
"病人於民國108年09月14日從門診入院,住普通病房,於民國108年12月06日出院,特此證明。",
"該病患因上述疾病於民國108年5月18日至本院急診室就診,經傷口護理及診療後於當天出院,應於門診持續追蹤治療。",
"病人因上述症狀,於民國108年12月16日住院,接受自費欣普尼注射治療,並於民國108年12月17日出院,須門診追蹤治療。",
"該員於108年10月16日,因上述病情,入院施行治療,期間須使用呼吸器及氣墊床。於108年11月26日出院。",
"患肢不宜負重.宜休養3個月.宜使用三角巾固定.患者於民國108年01月23日至108年04月18日共至門診4次",
"病人因上述病症,於108年04月07日住入本院,接受支持性照護。108年04月10日出院於狀況穩定下予以出院。已安排後續放射線及化學治療。",
"病人因上述病情於108年05月25日入院至加護病房,於108年05月30日轉至普通病房,於108年06月03日出院。",
"病患曾於108年09月19日20:32~108年09月20日08:41至本院急診治療,於108年09月20日住院抗生素治療,108年09月26日出院.一週門診追蹤",
],
title=title,
description=description,
)
demo.launch(debug=True)