基于多任务学习的印尼语消费者健康论坛句子识别、医疗实体识别与关键词抽取研究

针对印尼语消费者健康论坛中医疗信息提取效率低下的问题，Tsaqif Naufal等研究人员通过多任务学习（MTL）框架，整合句子识别（SR）、医疗实体识别（MER）和关键词抽取（KE）任务，构建了包含1,173条标注数据集的基线模型。研究发现，任务间信息共享显著提升MER和KE性能（F1-score分别达64.83%和49.76%），为东南亚地区医疗问答系统开发提供了重要技术支撑。

　　

在互联网医疗蓬勃发展的今天，印尼语用户通过在线健康论坛寻求医疗建议的需求日益增长。然而这些论坛面临两大痛点：专业医生资源稀缺导致响应延迟，以及用户提问常存在语法不规范、信息冗余等问题。传统解决方案依赖人工处理，效率低下且难以规模化。更棘手的是，印尼语医疗自然语言处理（NLP）研究长期受限于小规模数据集（早期SR数据仅192条）和传统模型（如CRF和LSTM）的性能瓶颈。

为解决这些问题，印度尼西亚大学计算机科学学院的研究团队开展了一项创新研究。他们首次构建了包含1,173条标注数据的印尼语医疗文本数据集，覆盖句子识别（SR）、医疗实体识别（MER）和关键词抽取（KE）三大任务。通过系统比较9种Transformer编码器和多任务学习架构，发现IndoNLU_LARGE模型在MER任务中达到59.59%的F1-score，而分层式多任务学习（Hierarchical MTL）使KE性能提升至49.76%。这项发表于《Journal of Biomedical Semantics》的研究，为资源稀缺语言的医疗NLP提供了可复用的技术框架。

关键技术方法包括：1）采用Label Studio工具进行两阶段标注（400条双人标注+773条单人标注），通过F1-score和Cohen's Kappa评估标注一致性；2）使用BIO序列标注格式处理SR（背景/问题/忽略三类）、MER（疾病/症状/药物/治疗四类）和KE任务；3）对比CRF基线与9种Transformer模型（含IndoBERT、XLM-R等）；4）设计并行/分层多任务学习架构，通过加权损失函数（公式8、14）优化任务协同。

研究结果方面：
数据标注：最终标注数据达成SR（88.61%）、MER（64.83%）、KE（35.01%）的组间一致性，统计分析显示含医疗实体的句子更可能属于背景或问题类型（p<0.05）。

基线模型：所有Transformer模型均显著优于CRF基线（KE任务提升127%），但模型性能呈现任务依赖性——XLM-R_BASE在SR任务表现最佳（93.70%），而IndoLEM_BASE在KE任务领先（47.48%）。

多任务学习：分层式MER-KE组合使KE的F1-score提升6.1%（达49.76%），错误分析显示67.63%的MER错误源于实体边界识别偏差（表10）。三任务联合学习虽未超越最佳双任务组合，但Parallel Three-way模型在KE任务实现51.28%的F1-score。

这项研究的突破性在于：首次建立了印尼语医疗文本处理的基准体系，证实了多任务学习在低资源语言医疗NLP中的有效性。特别是发现医疗实体与关键词的协同学习能显著提升性能，这对开发东南亚地区双语医疗问答系统具有重要实践价值。研究者公开了数据集和代码，为后续研究提供了宝贵资源。未来工作可探索生成式大语言模型（LLM）与序列标注模型的融合，以进一步提升罕见医疗实体的识别能力。