信息速览
MedSecId：临床笔记章节识别标注语料
§0. 导读：这个语料解决什么问题
临床笔记是医院里信息密度最高、也最难被机器利用的文本。一份出院小结动辄两三千 token，从主诉到出院医嘱十几个内容块挤在同一页无格式的文字里。人能一眼看出「这段在讲既往史、那段在讲本次手术」，机器却只看到一串连续的 token。章节识别（Section Identification, SI）就是把这份「人眼可见的结构」变成机器可用的标签：切出章节边界，标上章节类型。
为什么值得为这个中间步骤单独建一个语料？因为章节类型是临床文本理解里最廉价、最通用的一层语义信号。同一个词「糖尿病」，出现在家族史章节里是家族成员的病，出现在既往史章节里是患者的老病，出现在评估章节里才是本次需要处理的诊断——下游任何抽取、编码、时间线系统，第一件事都是问「这句话在哪个章节里」。没有公开的 SI 语料之前，每个团队要么用正则凑合（实测与人工一致性只有 α=0.54），要么用不公开的私有标注，整个社区既没有可比的数字，也没有可复现的起点。
MedSecId 用「2,002 份 MIMIC-III 笔记 × 逐句标注 × 50 类章节 × 3 名临床医生标注 × 全部公开」一次性补上了这块基础设施。它的出现让「在英文临床文本上做章节识别」从一项不可比的手艺活变成一个有标准答案的基准任务；它训练出来的模型（随 mimicsid 包分发预训练权重）让任何持有 MIMIC-III 凭证的研究者一下午就能跑通端到端预测。
本条目按「是什么—怎么标—怎么评—怎么拿—怎么用」的顺序展开：§1-§3 给出速览、任务定义与数据源头；§4-§5 交代论文、团队与时间线；§6-§9 详述规模、标注方法论、基线模型与评估协议；§10 集中处理获取与合规（含 PhysioNet 凭证这一风险项，是使用本资源的前置门槛，务必先读）；§11-§14 覆盖生态互链、坑点、DAIMS 表与横向对比；§15-§19 面向实操（清单、误解澄清、案例、阅读路径、速查卡）；§20 与附录 A-N 提供存照、文体解剖、工程细节、中文迁移、FAQ、术语表、故障排查等深度内容。
三类读者可走三条捷径：
- 只想快速判断可用性：读 §1 速览 + §10.1 三层结构表 + §13 DAIMS 表，五分钟决策；
- 要动手复现/训练：直接跳 §10（凭证与获取）→ 附录 B（工程细节）→ 附录 N（故障排查）；
- 要迁移到中文场景：§16 误解澄清 → 附录 C（中文迁移指南）→ 附录 I（标签体系分组）。
最后强调一遍贯穿全文的合规主线：标注公开、代码开源、原文受控——Zenodo 拿标注、GitHub/PyPI 拿工具、PhysioNet 凭证拿原文，三层不可混为一谈，商业使用另有约束。
§1. 一页速览
MedSecId（Medical Section Identification corpus）是伊利诺伊大学芝加哥分校（University of Illinois Chicago, UIC）NLP 实验室于 2022 年在 COLING 2022 上发布的首个大规模公开的临床笔记章节识别（Section Identification, SI）标注语料。它回答一个看似简单、实则长期无公开基准的问题：给定一份无结构的临床笔记全文，能否自动地把它切分成一个个章节（section），并为每个章节贴上类型标签——主诉（Chief Complaint）、现病史（History of Present Illness, HPI）、出院用药（Discharge Medications）、过敏史（Allergies）等。
在 MedSecId 出现之前，临床 NLP 社区普遍知道「章节信息是下游抽取任务的黄金上下文」——很多信息抽取系统依赖章节类型来过滤或加权候选事实（例如「家族史」章节里的糖尿病提及不应记为患者本人诊断）。但公开、大规模、逐句标注的 SI 语料几乎不存在：i2b2/Informatics for Integrating Biology and the Bedside 系列共享任务覆盖了概念抽取、断言状态、关系抽取等任务，却没有一个以「章节切分+章节分类」为核心的公开数据集。各团队只能各自动用少量手工标注、或依赖正则模板，结果既不可比也不可复现。
MedSecId 的核心硬数字如下：
- 2,002 份临床笔记，全部来自 MIMIC-III（Medical Information Mart for Intensive Care III）v1.4 的 NOTEEVENTS 表；
- 50 种章节类型（section types），覆盖临床笔记中最常见的章节体系；
- 5 类笔记来源：出院小结（discharge summaries）、放射报告（radiology）、会诊记录（consults）、超声心动报告（echocardiography, echo）、医生病程记录（physician progress notes / CHP）；
- 逐句标注：不是只标章节标题，而是把整篇笔记的每一句都归入某一章节（或「节外」），平均每篇约 12 个章节（标准差 5.7），平均 token 长约 2,307；
- 三人标注：2 名 attending physician（主治医师）+ 1 名 senior resident（高年资住院医），Krippendorff α = 0.84-0.87；
- 基线成绩：token 级 BiLSTM-CRF（GloVe 300D 词向量）Micro F1 = 0.955、Macro F1 = 0.787，优于同期的 BERT/BioBERT 句级方案。
获取层面，MedSecId 是一个「三层结构」资源：标注文件（span+标签）经 Zenodo（record 7150451）公开发布；代码与预训练模型以 MIT License 开源（GitHub uic-nlp-lab/medsecid 及 PyPI 包 zensols.mimicsid）；而标注所指向的 MIMIC-III 笔记原文则受 PhysioNet Credentialed Health Data License 1.5.0 约束，需要注册账号、完成 CITI 人受试者保护训练、签署数据使用协议（Data Use Agreement, DUA）并通过凭证审核后才能访问。这意味着：检索者可以立刻拿到「标注长什么样、模型怎么训」，但要真正跑通端到端复现，必须先走完 PhysioNet 的凭证流程——这是使用本条目时最重要的合规前提。
对中文医疗 NLP 团队而言，MedSecId 的价值有三层：其一，它是英文临床文本 SI 任务的标准基准，任何面向英文病历的结构化系统都应在此上报数；其二，它的标注方法论（三人标注、逐句 IO 编码、α 一致性报告、长尾章节分析）可以直接迁移到中文电子病历的章节识别标注设计中；其三，它与 MIMIC-III/MIMIC-IV-Note 生态天然衔接，可以与库内多个 MIMIC 派生条目形成互链网络。
本条目以下各节依次介绍：任务背景（§2-3）、论文与团队（§4-5）、数据与标注细节（§6-8）、模型与评估（§9-10）、获取与合规（§11，含 PhysioNet 风险项）、生态互链（§12）、坑点清单（§13）、DAIMS 表（§14）、下游实操清单（§15）、常见误解澄清（§16）、案例解剖（§17）、按角色阅读路径（§18）、一页速查卡（§19）与附记（§20）。
§2. 什么是章节识别（Section Identification）
2.1 问题定义
一份真实的临床笔记往往是这样一段文本：没有格式化的标题栏、没有 XML 标签，只有连续的段落与换行。有经验的临床医生一眼就能看出「这段是主诉、那段是体检、再往后是评估与计划」，但机器看到的只是一串 token。章节识别（Section Identification, SI）要解决的就是这个问题：
- 章节切分（segmentation）：找出笔记中每个章节的边界——哪里是 HPI 的开头，哪里 HPI 结束、体格检查（Physical Exam）开始；
- 章节分类（classification）：为每个切出的片段赋予类型标签——它属于 50 种章节类型中的哪一种；
- 标题识别（header detection）：还有一个子任务——找出哪些 token 构成章节标题本身（如 “History of Present Illness:” 这一行），标题与非标题正文的区分对某些下游场景有用。
MedSecId 把前两个子任务统一形式化为**序列标注（sequence labeling）**问题：对笔记中的每个句（sentence）打一个 IO（In/Out）标签——In 表示该句属于某个章节（配合章节类型），Out 表示节外文本（如笔记顶部的患者标识残留、页眉页脚噪声）。这与命名实体识别（Named Entity Recognition, NER）的 BIO/IO 编码同构，因此可以直接复用 NER 社区的全部模型与工具链（BiLSTM-CRF、BERT 微调、CRF 解码层等）。
2.2 为什么章节信息重要
章节类型在临床 NLP 流水线中扮演「上下文过滤器」的角色，典型用途包括：
- 信息抽取去歧义：「糖尿病」出现在 Family History 章节与出现在 Assessment 章节含义完全不同——前者是家族成员患病，后者是患者本人诊断。章节标签是最廉价也最可靠的一级过滤信号；
- 断言状态判定：Negation/ Uncertainty 的判定常常与章节强相关（Past Medical History 里的既往诊断默认为「确认存在但属既往」）;
- 时间线推理：Hospital Course 章节记录本次住院事件，Past Surgical History 记录既往手术——时间锚点完全不同；
- 报告分型与路由：放射报告的 Impression 章节是下游抽取的重点区域，技术参数章节则通常可以跳过；
- 文档级分类的先验：知道一份笔记包含哪些章节，就能推断它的文体（出院小结 vs 病程记录 vs 会诊意见）。
2.3 MedSecId 之前的空白
在 MedSecId 之前，SI 任务的处理方式主要有三类，各有明显缺陷：
- 正则/模板法：用「大写字母开头 + 冒号」等模式匹配章节标题。MedSecId 论文实测：即便由作者精心定制正则，其标注一致性（与人工标注的 Krippendorff α）只有 0.54——远低于人工之间的 0.84-0.87。真实笔记中的章节标题写法五花八门（全大写、缩写、拼写错误、无冒号、多行标题），模板法顾此失彼；
- 小规模私有标注：一些商业 NLP 系统（如早期的临床文本处理平台）内部标注了几十到几百份笔记，但不公开，社区无法比较；
- 借用其他任务语料：i2b2 2010 等共享任务的语料附带了部分章节信息，但这些章节标签是为特定任务服务的辅助信息，覆盖窄、体系不完整、不可作为 SI 主基准。
MedSecId 用「2,002 份 × 逐句 × 50 类 × 三人标注 × 公开发布」一次性填补了这个空白。这也是论文标题强调 “A New Public Corpus” 的原因：贡献的核心不是模型，而是语料本身。
§3. 源头：MIMIC-III 与五类笔记
3.1 MIMIC-III NOTEEVENTS
MIMIC-III 是麻省理工学院计算生理学实验室（MIT Laboratory for Computational Physiology）联合贝斯以色列女执事医疗中心（Beth Israel Deaconess Medical Center, BIDMC）发布的重症监护数据库，收录 2001-2012 年间约 4.6 万名 ICU 患者的医疗记录，是全世界使用最广的开放重症监护数据资源。其中 NOTEEVENTS 表存放脱敏后的自由文本临床笔记，包括出院小结、放射报告、病程记录、心电图报告、超声心动报告等多种文体。
MedSecId 从 NOTEEVENTS 中抽样了 2,002 份笔记，抽样刻意覆盖五种文体（见 §3.2），以保证章节体系的多樣性——不同文体的章节结构差异极大：出院小结有固定的住院摘要结构，放射报告则是「指征-对比-所见-印象」的影像学体例，超声心动报告又有自己的测量参数区段。
3.2 五类笔记来源
| 笔记类型 | 英文 | 典型章节结构 | 在语料中的作用 |
|---|---|---|---|
| 出院小结 | discharge summary | 主诉、入院诊断、出院诊断、住院经过、出院用药、随访 | 章节最多、体系最全的核心文体 |
| 放射报告 | radiology report | 指征、检查技术、对比、所见、印象 | 短文体、高价值章节（Impression） |
| 会诊记录 | consult | 会诊原因、评估、建议 | 中等长度、请求-应答结构 |
| 超声心动报告 | echocardiography | 测量、描述、结论 | 数值密集、章节边界规整 |
| 医生病程记录 | physician progress notes / CHP | SOAP 式段落、一日病程 | 最自由文体、边界最难 |
平均而言，每篇笔记约含 12 个章节（标准差 5.7），平均 token 长约 2,307。出院小结通常章节最多（可达 20 个以上），而一份简短的放射报告可能只有 4-5 个章节。
3.3 为什么选 MIMIC-III
选择 MIMIC-III 作为源头有三重理由：第一，它是公开但受控的资源，任何通过 PhysioNet 凭证审核的研究者都能拿到同一批笔记，语料的可复现性有保障；第二，NOTEEVENTS 的文本经过官方脱敏（HIPAA Safe Harbor 去标识），伦理负担相对可控；第三，MIMIC-III 生态庞大——围绕它已经有概念抽取、实体链接、问答等大量派生资源，SI 语料加入后可以与既有任务形成流水线组合。这个选择的代价就是本条目反复强调的合规前提：笔记原文本身不是免费无门槛的，必须走 PhysioNet 凭证流程（详见 §11）。
§4. 论文与时间线
4.1 论文信息
MedSecId 的正式论文为：
Paul Landes, Kunal Patel, Sean S. Huang, Adam Webb, Barbara Di Eugenio, Cornelia Caragea. A New Public Corpus for Clinical Section Identification: MedSecId. Proceedings of the 29th International Conference on Computational Linguistics (COLING 2022), Gyeongju, Republic of Korea, pp. 3709-3721. ACL Anthology 编号 2022.coling-1.326，DOI 10.18653/v1/2022.coling-1.326。
COLING 是计算语言学国际会议（International Conference on Computational Linguistics），2022 年届在韩国庆州举办。该论文属于语料与基准（corpus & benchmark）类投稿，正文结构为：引言 → 相关工作 → 语料构建（抽样、标注指南、一致性）→ 形式化与基线模型 → 实验与分析（含 cui2vec 概念嵌入分析）→ 局限与结论。
4.2 版本与发布时间线
| 时间 | 事件 |
|---|---|
| 2022-10-07 | GitHub 仓库 uic-nlp-lab/medsecid 初始提交（复现论文实验的代码与配置） |
| 2022-10 | COLING 2022 会议论文发表（Gyeongju, Korea），ACL Anthology 上线 |
| 2022-10 | Zenodo record 7150451 发布章节标注文件（section-id-annotations.zip） |
| 2023-07 | 分析 repo 更新（fix citation 等维护性提交） |
| 2023 | Zensols 框架论文发表于 NLP-OSS（作者 Landes，框架化复述了 mimicsid 的工程实现） |
| 2024-04 | 后续工作 LLM-SI（arXiv 2404.16294）发布，在 MedSecId 上评测 LLM 并指出真实世界文档上的泛化骤降 |
| 2022-2025 | mimicsid Python 包（plandes/mimicsid，MIT License）持续维护，版本 0.0.2 → 0.0.3 → 0.1.0，预训练模型随包分发 |
版本链总结：MIMIC-III v1.4 → MedSecId 标注 v1（Zenodo 7150451）→ mimicsid 包 0.x 系列（含预训练模型）。截至本条目撰写时，未见标注集的 v2 修订版公告；后续维护主要以 mimicsid 包和 Zensols 框架升级的形式进行。
4.3 相关工作的定位
论文的相关工作部分把 SI 研究分为三条线：一是早期的模板/规则系统（以正则匹配章节标题为代表，包括一些商业临床 NLP 引擎内置的章节分割器）；二是基于机器学习的章节分类（多为小规模私有标注，如对出院小结单文体的小样本研究）；三是间接利用章节信息的信息抽取工作（这些工作证明了章节的价值，却没有产出公开 SI 语料）。MedSecId 的差异化定位是「首个公开、大规模、多文体、逐句标注」四项全占。
§5. 机构与人物
5.1 团队构成
- University of Illinois Chicago（UIC）：芝加哥校区计算机科学系 NLP 实验室是本语料的主要完成方，负责标注流程设计、标注指南撰写、模型实现与论文写作；
- Rush University / Rush 系统医疗机构：临床医生标注者来自 Rush 体系，负责实际的逐句标注工作。临床医生参与标注是语料质量的根本保障——章节类型判断需要真实的临床文档阅读经验，纯 NLP 从业者难以胜任；
- 技术栈：Zensols 框架：一作 Paul Landes 是开源临床 NLP 框架 Zensols 的作者，MedSecId 的全部标注工具、数据流水线与模型实现都构建在 Zensols 之上，后来抽象为独立的 mimicsid 包发布。
5.2 关键人物
- Paul Landes（一作）：UIC 博士生（Di Eugenio 指导），工业界出身的 NLP 工程师，Zensols 框架作者。他在 MedSecId 之后继续维护 mimicsid 与 Zensols 生态，是连接学界语料与工程工具链的关键人物；
- Barbara Di Eugenio：UIC 计算机科学教授，长期从事医学 NLP 与人机对话研究，本项目资深作者；
- Cornelia Caragea：时任 UIC 教授（后转任 UT Arlington），自然语言处理方向，另一位资深作者；
- Adam Webb：临床背景作者，代表标注团队与医疗机构的协作；
- Kunal Patel、Sean S. Huang：共同作者，参与标注组织与实验。
5.3 标注者
论文口径：2 名 attending physician（主治医师）与 1 名 senior resident（高年资住院医） 共 3 人完成逐句标注。注意：个别二手转述只提 “physicians” 而略去 resident，本条目按论文原文的三人口径成稿。三人标注一致性以 Krippendorff α 报告为 0.84-0.87——在章节类型多达 50 类的设定下，这一数值属于「高一致性」区间（α>0.8 通常被认为可用于可靠分析），说明标注指南经过充分打磨、章节类型定义边界清晰。
5.4 工程生态：Zensols 与 mimicsid
理解 MedSecId 的落地，绕不开它的工程生态：
- Zensols：Landes 开发的模块化 NLP 框架（Python），提供文档解析、特征抽取、模型训练、命令行应用生成等通用能力，NLP-OSS 2023 有专文介绍；
- zensols.mimicsid（plandes/mimicsid）：把 MedSecId 的标注数据访问、语料构建、模型训练与预测封装为 pip 可安装的包，MIT License。0.1.0 版起随包分发预训练模型，这意味着——只要你有 MIMIC-III 访问权，
pip install zensols.mimicsid之后即可在本地复现论文级别的预测，无需重新训练； - uic-nlp-lab/medsecid（GitHub）：论文官方复现仓库，包含从原始标注到论文表格数字的完整实验配置。
§6. 数据规模与结构
6.1 硬数字一览
| 指标 | 数值 |
|---|---|
| 笔记总数 | 2,002 份 |
| 章节类型数 | 50 种 |
| 笔记来源类型 | 5 类（出院小结/放射/会诊/超声心动/医生病程） |
| 平均章节数/篇 | 12（标准差 5.7） |
| 平均 token 长/篇 | 约 2,307 |
| 标注者 | 3 人（2 主治 + 1 高年资住院医） |
| 人工一致性 Krippendorff α | 0.84-0.87 |
| 规则基线 α | 0.54 |
| 最优基线 | BiLSTM-CRF + GloVe 300D |
| Micro F1 | 0.955 |
| Macro F1 | 0.787 |
6.2 标注文件的结构
Zenodo 发布的标注文件（section-id-annotations.zip）以机器可读格式给出每份笔记的章节标注。每条标注记录的核心字段是：
- 笔记标识：对应 MIMIC-III NOTEEVENTS 中该份笔记的 ROW_ID；
- 章节 span：章节在原文中的文本范围（以句为单位，逐句归属）；
- 章节类型标签：50 类之一，如 History of Present Illness、Discharge Medications、Allergies、Family History、Physical Exam、Assessment and Plan、Hospital Course、Impression 等；
- 标题 span（子任务）：构成章节标题的 token 范围。
需要注意：标注文件只含 span 与标签，不含笔记原文。这是发布方在合规上的谨慎设计——把「结构性知识」（哪里是章节边界、什么类型）与「受控文本」（MIMIC-III 原文）分离，前者公开发布不触碰受控许可，后者仍由 PhysioNet 凭证体系守护。检索者必须把两者拼合才能得到完整可用语料。
6.3 IO 编码与形式化
如 §2.1 所述，标注被形式化为句级 IO 序列标注：每个句子要么是 Out（节外），要么是 In（属于某章节，标签携带章节类型）。这个设计的实际含义是：
- 长文档无需特殊切分：整篇笔记一次性作为序列输入，模型逐句输出标签；
- 边界由标签切换隐式决定：相邻两句标签的章节类型不同即构成章节边界；
- 与 NER 工具链完全兼容：BiLSTM-CRF/BERT 的标准实现可直接使用。
论文同时保留了标题 token span 子任务（哪些 token 属于标题文本），用于支持「只做标题检测」的应用场景。
6.4 长尾分布
50 种章节类型呈现出临床文本典型的长尾：hospital-course、present-illness 等少数高频章节占据了大量实例，而诸如某些专科小节（如特定的检查子段）实例稀少。这直接反映在基线成绩上——Micro F1（0.955）与 Macro F1（0.787）的巨大差距就是长尾的直接后果：高频章节（如 hospital-course 的 F1 超 0.99）拉高了 micro 平均，稀有章节把 macro 平均拖到 0.787。使用者在设计下游系统时应针对稀有章节考虑数据增强、层次标签或 few-shot 补充策略。
§7. 标注方法论
7.1 标注指南与流程
语料构建遵循标准的临床标注方法论：
- 指南先行：作者团队与临床标注者共同制定章节类型定义与边界规则（例如：放射报告的 Impression 与 Findings 的分界；病程记录中一段混合 SOAP 内容如何归类）；
- 试点标注：先在小样本上试标，迭代修订类型体系直至 50 类定版；
- 三人独立标注：2 名主治 + 1 名高年资住院医对同一批笔记独立逐句标注；
- 一致性计算：以 Krippendorff α 度量标注者间一致性，报告区间 0.84-0.87；
- 分歧消解：对分歧样本进行裁决与指南回修，产出最终金标。
7.2 一致性的意义
α=0.84-0.87 有两层含义。对语料使用者而言，它说明金标本身足够可靠，模型在这些数据上训练出来的性能可以直接比较、不会被人标噪声淹没；对任务设计者而言，它量化了任务的「人类上限区间」——章节识别不是主观性极强的任务（如情感），也不是纯客观任务，α<1 的部分主要来自边界句归属与稀有章节的定义模糊。
对照正则基线的 α=0.54 更有启发性：一个由作者精心撰写的正则章节切分器，与人工标注的一致性只有 0.54——也就是说，模板法最多解决一半的章节识别问题。这是论文最有说服力的实验之一，直接证伪了「拿正则凑合一下就行」的工程直觉。
7.3 与其他临床标注项目的方法论对照
- i2b2/n2c2 共享任务：通常采用双人标注 + 第三人仲裁，任务聚焦概念/关系；MedSecId 的三人口径与其一致，但标注单元是句-章节而非概念 span；
- MedCat/快照类项目：多为单人规则标注，无一致性报告——MedSecId 在透明度上明显更高；
- 库内 phenotype-annotations-mimic（rid=594）：同样是 MIMIC-III 上的注释类资源，但标注对象是表型而非章节，两者在「如何组织临床标注团队」这一点上可互参。
§8. 模型与基线
8.1 形式化回顾
把 SI 形式化为句级 IO 序列标注后，任何序列标注模型都可以即插即用。论文选用了两条技术路线做对照：
- token 级 BiLSTM-CRF：输入为词/子词 token 序列，双向 LSTM 编码上下文，CRF 层解码标签转移约束；词向量使用 GloVe 300D；
- sentence 级 BERT/BioBERT：以句为单位编码，做句级分类（句 → 章节类型），再由相邻句标签合成章节。
8.2 主要结果
| 模型 | Micro F1 | Macro F1 | 备注 |
|---|---|---|---|
| 正则基线 | — | — | 与人工标注一致性仅 α=0.54 |
| BiLSTM-CRF + GloVe 300D | 0.955 | 0.787 | 论文最优 |
| BERT / BioBERT 句级变体 | 略低 | 略低 | 训练更快、长文档更稳 |
两个值得注意的发现：
- GloVe 通用词向量胜过医学专用词向量：直觉上医学语料应该配医学词向量（如 word2vec 训练于 PubMed），但实验结果相反。作者的解释是：章节识别需要的是广泛的通用语言上下文（句式结构、常见连接词、标题书写习惯），而不是医学专业语义——章节标题的语言学特征（名词短语、冒号结尾、大写开头）与正文内容的医学性无关。这一发现对临床 NLP 工程有实际指导意义：不要默认「领域词向量一定更好」，要按任务性质选表示；
- token 级与句级各有千秋：BiLSTM-CRF 在边界精度上更准（token 级建模天然利于边界判定），BERT 句级方案在长文档上训练更快、行为更稳。论文没有强行宣布单一胜者，而是给出场景化建议。
8.3 长文档处理策略
临床笔记动辄数千 token（均值 2,307），远超 BERT 的 512 上下文窗口。句级方案的天然优势在于：BERT 只需对每句独立编码（或滑动窗口），不必把整篇塞进一个窗口。这是句级 BERT「更快更稳」的根本原因。BiLSTM-CRF 的 token 级处理不受窗口限制，但训练时对显存与时间的要求更高。
8.4 cui2vec 概念嵌入分析
论文的分析章节做了一个很有意思的定性实验：用 cui2vec（临床概念向量，基于 UMLS CUI 的嵌入）把各章节内的概念投射到二维平面（PCA），观察不同章节的概念分布。结果显示：既往史（past medical history）章节聚集的概念簇与手术史（surgical history）章节明显分离——模型学到的章节表示确实编码了语义上有意义的差异，而不是死记表面格式。这为「章节标签是下游抽取的语义上下文」提供了嵌入层面的证据。
8.5 后续基准使用：LLM-SI
2024 年的 LLM-SI 工作（arXiv 2404.16294）把 MedSecId 用作 LLM 时代的 SI 基准：用大语言模型做零样本/少样本章节识别并与微调基线比较。其核心结论对使用者是重要警示——在 MedSecId（MIMIC-III 电子原生文本）上表现良好的模型，迁移到真实世界的传真件/OCR 扫描文档（格式混乱、噪声大）时性能骤降。这说明：
- MedSecId 覆盖的是「电子病历原生文本」这一分布；
- 真实部署环境（扫描件、粘贴板文本、多医院异构格式）是另一个更难的分布；
- 以 MedSecId 报的数字作为生产系统预期时，应打足域偏移折扣。
§9. 评估协议与指标
9.1 指标口径
论文报告 token/句级标注的 Micro F1 与 Macro F1（章节类型为正类单位）。使用与比较时需注意：
- **Micro F1（0.955）**反映高频章节上的整体准确率，适合估计「平均一句的标注质量」；
- **Macro F1（0.787）**反映稀有章节的平均表现，适合估计「平均一个章节类型的能力」；
- 论文另报告了章节级的边界正确率维度（切分是否与金标一致），以及标题识别子任务的独立指标。
9.2 复现路径
复现论文数字的三种途径（成本递增）：
- 直接用预训练模型：
pip install zensols.mimicsid（0.1.0+），加载随包模型，对自己的笔记做预测——不需要训练，只需要 MIMIC-III 访问权（预测目标若为自有非 MIMIC 文本则连 MIMIC 权都不需要）； - 重训基线：从 Zenodo 拿标注 + PhysioNet 拿原文，用 uic-nlp-lab/medsecid 的配置在 Zensols 框架下重训 BiLSTM-CRF；
- 换模型上分：把标注转成任意序列标注框架（spaCy、Flair、HuggingFace token-classification）的输入格式，训练自己的模型并对照 0.955/0.787 报数。
9.3 上报惯例建议
在 MedSecId 上报数时建议同时给出：Micro F1、Macro F1、（如可）稀有章节分位数表现，以及训练/测试划分口径。只报 Micro F1 会系统性掩盖长尾短板，是本任务最常见的「虚高陷阱」。
§10. 获取、许可与合规（含 PhysioNet 风险项）
10.1 三层资源结构
| 层 | 内容 | 获取方式 | 许可 |
|---|---|---|---|
| 标注层 | 章节 span + 50 类标签（section-id-annotations.zip） | Zenodo record 7150451 公开下载 | 随 Zenodo 发布条款公开（见 §10.3 存照） |
| 代码层 | 复现实验代码、mimicsid 包、预训练模型 | GitHub uic-nlp-lab/medsecid；PyPI zensols.mimicsid | MIT License |
| 文本层 | MIMIC-III NOTEEVENTS 笔记原文 | PhysioNet 凭证审核后下载 MIMIC-III v1.4 | PhysioNet Credentialed Health Data License 1.5.0 |
10.2 【风险项】PhysioNet 凭证流程（必读）
标注所指向的笔记原文是受控健康数据。任何需要接触原文的用途（训练、评测、拼合金标）都必须先完成 PhysioNet 的凭证流程：
- 注册 PhysioNet 账号：在 physionet.org 注册并完成邮箱验证；
- CITI 训练：完成 CITI Program 的「Data or Specimens Only Research」人受试者保护课程，取得结业证书（通常需要数小时学习与测验）；
- 签署数据使用协议（DUA）：在线签署 PhysioNet Data Use Agreement，承诺不试图重识别患者、不向未授权第三方再分发数据、不将数据用于协议外用途；
- 提交凭证审核：上传 CITI 证书与身份/隶属信息，等待 PhysioNet 人工审核（通常数个工作日）；
- 审核通过后访问：获得 MIMIC-III v1.4（含 NOTEEVENTS）的下载权限。
许可约束要点：Credentialed Health Data License 1.5.0 限制商业再分发，要求使用场景与 DUA 声明一致；在本库（千方病案医数集）的语境下，这意味着本条目不含也无法提供笔记原文，仅提供标注层与代码层的获取路径；任何衍生服务若要商用，必须另行评估 PhysioNet 商业使用条款并自担合规责任。
实操提示：如果只想预览标注格式、跑通 mimicsid 的预测接口（对任意文本），甚至不需要 MIMIC 访问权——mimicsid 包提供了对非 MIMIC 文本的预测路径。但要做训练/评测，原文不可绕过。
10.3 获取方式存照与疑点
- Zenodo record 7150451 的 license 字段在本条目撰写时未能直接抓取核验（网络预算受限），存照为遗留疑点；发布方在论文与 GitHub 中均表述标注「publicly available」，保守口径为「公开可下载、具体再分发条款以 Zenodo 页面实时为准」；
- 标注文件是否包含少量去标识原文片段（用于锚定）不完全确定，本条目按「以 span/label 为主」的保守表述成稿；检索者下载后应以实际文件内容为准；
- MIMIC-III 的 PhysioNet 许可版本为 1.5.0（CC BY-NC 4.0 底层的 credentialed 版本口径），以 PhysioNet 官网当前页面为准。
§11. 生态与互链点
MedSecId 在库内可形成如下互链网络（rid 为当前占位，发布后由主会话回填）：
- mimic-iii（rid=106）：上游源数据库。MedSecId 的全部笔记来自其 NOTEEVENTS 表；研究者通常需要同时持有两者的访问/引用关系；
- mimic-iv-note（rid=47）：MIMIC 的后继临床笔记库（v2.x），MedSecId 的标注体系与模型可直接作为迁移起点——用 MIMIC-III 上训好的章节识别器处理 MIMIC-IV 笔记是零成本的冷启动方案；
- i2b2-n2c2-nlp（rid=14）：同域临床 NLP 共享任务语料家族。i2b2 2010 等任务曾涉及章节/断言信息，MedSecId 补上了其中 SI 主任务的空位，两者在标注方法论上互参；
- synthetic-mimic-iii-health-gym（rid=597）：MIMIC-III 派生的合成临床文本。合成笔记可作为 SI 的无标注扩展语料（自训练/半监督），但需验证合成文本的章节结构保真度；
- mimic-cxr（rid=16）：MIMIC-CXR 放射报告语料，与 MedSecId 的 radiology 子集同源同构——在 MedSecId 放射子集上验证的章节模型可直接试用于 MIMIC-CXR 报告；
- phenotype-annotations-mimic（rid=594）：MIMIC-III 上的表型注释资源，与 MedSecId 同属「MIMIC-III + 人工注释」家族，标注组织方式互参。
流水线组合示例：用 mimic-iii 取原文 → MedSecId 模型做章节切分 → 在「家族史/既往史」章节内跑疾病 NER（可用 i2b2 系模型）→ 输出结构化病史。这是临床文本结构化的标准范式，MedSecId 是其中不可替代的第一环。
§12. 坑点清单
以下坑点按「踩中概率 × 排查成本」排序，均来自语料结构、许可体系与后续研究中的真实风险。
坑 1：以为标注文件里有原文。Zenodo 的标注文件只含 span 与标签，不含 MIMIC-III 原文。很多检索者下载后一脸茫然——没有文本，标签挂在哪里？必须先走完 PhysioNet 凭证流程拿到 NOTEEVENTS，再按笔记 ID 拼合。规划项目时间线时要把凭证审核的等待期（数个工作日）算进去。
坑 2：只看 Micro F1 就下结论。0.955 的 Micro F1 看起来「基本解决了」，但 Macro F1 只有 0.787——稀有章节的表现远低于平均。如果你的下游任务恰好依赖某个稀有章节（如某个专科子段），盲目信任整体数字会导致系统性漏抽。务必按章节类型分层评测。
坑 3：用正则模板替代模型。论文实测正则基线与人工标注的 α 只有 0.54。真实临床笔记的标题写法（全大写、缩写、错拼、无冒号、多行标题、非标准标题）远超模板的覆盖能力。正则可以作为粗筛/兜底，但绝不能作为主力方案。
坑 4：忽略域偏移——电子文本 ≠ 真实世界文本。LLM-SI（arXiv 2404.16294）实证：在 MedSecId 上训练/评测的模型，遇到传真件、OCR 扫描件、格式混乱的真实文档时性能骤降。MedSecId 是「电子病历原生文本」分布；生产部署前必须在自己的目标分布上重新评测，必要时做 OCR 后处理与格式规整的适配层。
坑 5：许可三层混淆。「MedSecId 公开」不等于「MIMIC-III 原文随便用」。标注层（Zenodo）与代码层（MIT）确实门槛低，但文本层受 PhysioNet Credentialed Health Data License 1.5.0 约束——凭证审核、DUA、不得再分发原文、商业使用受限。任何把「基于 MedSecId 训练的模型 + 原文片段」打包再分发的方案都要先过合规审查。
坑 6：50 类标签体系想当然。50 种章节类型是论文团队基于 MIMIC-III 笔记体系归纳的，与国内病历书写规范的章节体系（如「主诉/现病史/既往史/查体/辅助检查/诊断/治疗方案」的中文体系）不能一一对应。迁移到中文场景时需要做标签体系映射研究，而不是直接套用 50 类。
坑 7：BERT 直接上而忽视长文档策略。临床笔记平均 2,307 token，大量笔记超过 BERT 的 512 窗口。不做句级拆解或滑动窗口策略，直接截断会丢掉笔记后半部分的所有章节。论文的句级方案就是为解决这个问题设计的，照搬要连设计一起搬。
坑 8：GloVe 胜过医学词向量的结论被过度外推。「通用嵌入更好」是在章节识别这个任务上的结论，其原因是章节标题依赖通用语言特征。不要把它外推到医学语义敏感的任务（NER、关系抽取）——那些任务上医学专用表示通常仍然占优。
§13. DAIMS 数据资产信息表
| DAIMS 字段 | 内容 |
|---|---|
| 数据集名称 | MedSecId（Medical Section Identification corpus） |
| 发布机构 | University of Illinois Chicago（UIC）NLP 实验室，联合 Rush 体系临床标注者 |
| 首次发布 | 2022-10（COLING 2022；Zenodo record 7150451） |
| 数据类型 | 临床文本逐句章节标注（span + 50 类标签） |
| 源数据 | MIMIC-III v1.4 NOTEEVENTS 临床笔记 |
| 规模 | 2,002 份笔记；50 种章节类型；5 类笔记来源 |
| 文体覆盖 | 出院小结、放射报告、会诊记录、超声心动报告、医生病程记录 |
| 标注者 | 2 名主治医师 + 1 名高年资住院医（共 3 人） |
| 一致性 | Krippendorff α = 0.84-0.87（规则基线 0.54） |
| 任务形式 | 句级 IO 序列标注 + 章节标题 token span 子任务 |
| 基线成绩 | BiLSTM-CRF + GloVe 300D：Micro F1 0.955 / Macro F1 0.787 |
| 语言 | 英语（美式临床文书） |
| 许可结构 | 标注层 Zenodo 公开；代码层 MIT；文本层 PhysioNet 凭证（Credentialed Health Data License 1.5.0，商业受限）【风险项】 |
| 获取直链 | Zenodo https://zenodo.org/record/7150451 ；GitHub https://github.com/uic-nlp-lab/medsecid ；PyPI zensols.mimicsid |
| 论文 | COLING 2022, pp. 3709-3721, DOI 10.18653/v1/2022.coling-1.326 |
| 版本链 | MIMIC-III v1.4 → 标注 v1 → mimicsid 0.0.2/0.0.3/0.1.0 |
| 已知局限 | 长尾章节性能差；域外（传真/OCR）泛化骤降；标签体系为美式病历口径 |
| 库内互链 | mimic-iii（rid=106）、mimic-iv-note（rid=47）、i2b2-n2c2-nlp（rid=14）、synthetic-mimic-iii-health-gym（rid=597）、mimic-cxr（rid=16）、phenotype-annotations-mimic（rid=594） |
§14. 与同类资源的横向对比
| 资源 | 任务 | 规模 | 公开性 | 与 MedSecId 的关系 |
|---|---|---|---|---|
| MedSecId | 章节识别（切分+分类） | 2,002 篇笔记 / 50 类 | 标注公开 + 文本受控 | — |
| i2b2 2010 | 概念/断言/关系 | 170 份出院小结 | 共享任务发放（受控） | 同域不同任务；章节信息为辅助 |
| MIMIC-III / MIMIC-IV-Note | 原始笔记库 | 2M+ 笔记 / 数万份 | PhysioNet 凭证 | 上游数据源；SI 模型的应用对象 |
| mimic-cxr | 放射报告+影像 | 227k 报告 | PhysioNet 凭证 | 与 radiology 子集同构 |
| 私有商业章节分割器 | 章节识别 | 不公开 | 商业产品 | 无公开基准可比；MedSecId 填补空白 |
| LLM-SI 基准设置 | 章节识别（LLM 评测） | 复用 MedSecId + 真实文档集 | 论文公开 | 下游延伸，暴露域偏移 |
对比结论：MedSecId 至今仍是英文临床 SI 任务上唯一的「大规模+多文体+逐句+公开」四项全占的语料，其基准地位在 LLM 时代仍在延续。
§15. 下游实操清单
面向要真正把 MedSecId 用起来的团队，以下是一份按顺序执行的清单：
- 立项评估（第 0 步）：确认用途属于研究/评测/内部系统开发；若涉商业，先评估 PhysioNet 商业条款与自身 DUA 义务（坑 5）；
- 凭证办理：团队成员完成 PhysioNet 注册 + CITI 课程 + DUA 签署 + 凭证审核（§10.2）；等待期并行做第 3-4 步；
- 标注层预览：下载 Zenodo section-id-annotations.zip，用 Python 解析 span/标签结构，统计 50 类标签的分布，识别你关心的章节属于高频还是长尾（坑 2）；
- 代码层试跑：
pip install zensols.mimicsid，加载预训练模型，对几段样例文本跑预测，直观感受输出格式（章节列表 + 标签）； - 拼合金标：拿到 MIMIC-III 后，按笔记 ID 把标注 span 拼回原文，做一次人工抽查（建议 20 篇），确认边界与类型符合直觉；
- 复现基线：用官方 repo 配置重训 BiLSTM-CRF 或直接用预训练模型在金标上评测，核对 Micro F1 ≈ 0.955 / Macro F1 ≈ 0.787；对不上时优先检查拼合与 IO 解码环节；
- 分层评测：按 50 类报告分章节 F1，重点看你的下游场景依赖的章节（坑 2）；
- 域适配评测：从目标生产环境抽 50-100 份真实文档（含扫描/OCR 件），人工标注章节作为迷你测试集，量化域偏移（坑 4）；
- 中文迁移设计（如适用）：制定 50 类 → 中文病历章节体系的映射表，抽样验证迁移合理性（坑 6）；
- 上线监控：部署后持续抽检低置信度章节边界，尤其是稀有章节与跨章节混合段落。
§16. 常见误解澄清
误解一：「MedSecId 是一个可以直接下载的完整数据集」。 不准确。它是「标注层公开 + 文本层受控」的组合资源。完整可用语料 = Zenodo 标注 + PhysioNet 原文，缺一不可（除非只做预测不做评测）。
误解二：「章节识别是个简单任务，正则就够了」。 论文实测正则与人工的 α 只有 0.54；真实笔记的标题变体和格式噪声远超模板想象。模型化的 SI 才是可靠路径。
误解三：「F1 0.955，任务已解决」。 Micro 口径的 0.955 掩盖了长尾；Macro 只有 0.787，且这是电子原生文本上的数字——换到传真/OCR 文档还会骤降。任务「在 MedSecId 分布上基本解决」，离「全场景解决」很远。
误解四：「标注者都是医生，所以金标没有噪声」。 α=0.84-0.87 是高水平但不是 1.0；边界句归属与稀有章节定义仍存在标者间分歧。金标用于训练没问题，用于极端精细的边界研究时要知道噪声区间。
误解五：「用 BioBERT/医学词向量一定更好」。 在这个任务上恰好相反（§8.2），章节识别依赖的是通用语言结构特征。任务性质决定表示选择，别惯性套用。
误解六：「50 类标签可以直接搬到中文病历」。 美式病历的章节体系（HPI、ROS、PMH、SH、FH、A&P……）与中文病历书写基本规范体系不同，需要显式的映射与再标注研究，直接套用会导致大量「无法归类」样本。
附录 A：五类文体的章节体系逐一解剖
MedSecId 覆盖的五种文体各自有鲜明的章节生态。逐一解剖它们，既帮助理解语料构成，也帮助预判模型在各文体上的表现差异。
A.1 出院小结（discharge summary）
出院小结是章节体系最完整、标注价值最高的文体。一份典型的 MIMIC-III 出院小结可能包含：服务与日期头（service/admission/discharge date，常被标为节外或管理性章节）、主诉（chief complaint）、现病史（HPI）、既往史（past medical history）、家族史（family history）、社会史（social history）、过敏史（allergies）、入院用药（medications on admission）、体格检查（physical exam）、辅助检查（pertinent results / labs）、住院经过（hospital course）、出院诊断（discharge diagnoses）、出院用药（discharge medications）、出院状态与随访条件（discharge condition / followup）。
出院小结的特点是：章节多（常 15-20 个）、边界相对清晰（标题行书写较规范）、正文各章节间的语义分野明确。因此它是模型表现最好的文体之一，也是下游信息抽取最依赖的文体。使用者的第一优先级应该是把出院小结子集跑通。
A.2 放射报告（radiology report）
放射报告采用影像学的固定体例：检查指征（indication / clinical information）、检查技术（technique）、对比剂（contrast）、所见（findings）、印象（impression）。文体短小（常 300-800 token）、章节少而边界规整。
放射报告的关键章节是 Impression——放射科医生的结论性段落，是下游抽取（病灶、分期、随访建议）的主战场。Findings 与 Impression 的区分在 MedSecId 中是显式标签，这使「只抽 Impression」的流水线设计变得可靠。
A.3 会诊记录（consult）
会诊记录的结构介于出院小结与病程记录之间：会诊请求与背景（reason for consult / background）、会诊医生的评估（assessment）、建议（recommendations）。特点是一段文本中常混合「转述他人病史」与「会诊者自己的判断」，这对章节边界与断言状态都是挑战。会诊子集是三种主力文体中标注难度最高的。
A.4 超声心动报告（echocardiography）
超声心动报告是五类中数值密度最高的：测量参数区（LVEF、各腔室内径、瓣膜流速等）以表格或列表形式出现，随后是描述（description）与结论（conclusion）。章节边界通常最规整——「测量/描述/结论」三分结构在 MIMIC-III 的 echo 报告中高度一致。模型在这个文体上接近「准模板」效果，但反过来也说明：echo 报告的章节识别收益相对有限（正则或许已能解决大半），真正的价值在把 echo 与其他文体纳入统一标注体系。
A.5 医生病程记录（physician progress notes / CHP）
病程记录是最自由、边界最模糊的文体：SOAP 式段落（Subjective/Objective/Assessment/Plan）可能无标题混写，一日病程与系统回顾交错。MedSecId 的 CHP 子集承担了「压力测试」角色——在它上边的章节识别误差率明显高于出院小结。生产系统若以病程记录为主要对象，应预期性能折损并准备更重的后处理。
A.6 文体维度的使用建议
- 评测时按文体分层报告，不要只看全集平均；
- 若下游任务只涉单一文体（如只做放射报告结构化），优先在该文体子集上选型与调参；
- 跨文体部署时，可在流水线前端加一个轻量文体分类器，路由到按文体微调的 SI 模型。
附录 B：工程细节——从标注文件到生产预测
B.1 数据加载与拼合
拿到 Zenodo 标注与 PhysioNet 原文后的拼合流程（mimicsid 包已封装大半）：
- 解压 section-id-annotations.zip，解析标注记录（笔记 ID → 章节 span 列表 → 类型标签）；
- 从 MIMIC-III NOTEEVENTS 按笔记 ID 取原文文本；
- 将 span 映射回原文（注意：NOTEEVENTS 原文含换行与制表符，span 对齐要保留原始空白字符，不要做 normalize 后再对齐）；
- 句子切分建议沿用论文同款切分器（Zensols 内置），自换切分器会引入边界系统性偏移；
- 生成序列标注训练样本：句 → IO 标签。
B.2 训练配置要点
- 词向量：GloVe 300D（论文口径）；复现时直接用同款以对齐数字；
- CRF 约束：IO 编码下 CRF 学习标签转移（Out→In-类型 的合法转移），开 CRF 层对边界精度贡献显著；
- 长文档：token 级模型不受 512 窗口限制，可整篇输入；句级 BERT 方案按句编码；
- 类别不均衡：50 类长尾下，建议监控 macro F1 而非只看 loss；稀有类可考虑加权采样或后接层次分类头；
- 随机种子与方差：论文单点数字，复现偏差 ±0.005 级别属正常；跨多种子报告均值更佳。
B.3 解码与后处理
模型输出的句级标签序列需要合成章节：
- 相邻同类型 In 句合并为同一章节；
- 标题 token span 可用于恢复「标题行-正文」结构（有的下游场景需要标题文本本身）；
- 对「同类标签不连续」的情况（同一章节被插入段打断），按策略决定合并或保留两段——论文未强制规定，工程上建议保留（保守、信息无损）；
- 置信度：CRF 可输出边缘概率，低置信边界句值得送人工抽检队列。
B.4 错误分析画像
论文与后续使用中反复出现的三类错误：
- 边界句漂移：章节第一句/最后一句被归入邻章——多见于无标题的病程记录；
- 稀有章节误判为近邻大类：如某专科小节被判成一般 history；
- 页眉页脚噪声残留：MIMIC-III 文本顶部偶尔残留的患者标识行被误判为章节——数据清洗阶段先剥离可缓解。
B.5 部署架构参考
一个以 MedSecId 模型为核心的病历结构化服务参考架构：
原始文本输入（EHR 接口 / 扫描件 OCR）
│
▼
文本规整层（去页眉页脚、空白标准化、编码统一）
│
▼
文体分类器（轻量，路由用）
├─ 出院小结 ─┐
├─ 放射 ─────┤
├─ 会诊 ─────┼→ SI 模型（mimicsid 预训练或按文体微调）
├─ 超声心动 ─┤ │
└─ 病程记录 ─┘ ▼
章节合成与置信度过滤
│
▼
下游抽取（NER/关系/断言，按章节路由）
│
▼
结构化输出 + 人工抽检队列
延迟预算：mimicsid 预训练模型在 CPU 上对单篇笔记的推理在秒级（token 级 CRF 解码为主要开销），GPU 上毫秒级；大批量处理可离线跑批。
附录 C：中文场景迁移指南
中文团队把 MedSecId 的方法论迁移到中文电子病历，需要处理四个层面的问题。
C.1 标签体系映射
美式 50 类与中文病历书写规范的对应关系（部分示例）：
| MedSecId 类别 | 中文病历对应 | 备注 |
|---|---|---|
| Chief Complaint | 主诉 | 直接对应 |
| History of Present Illness | 现病史 | 直接对应 |
| Past Medical History | 既往史 | 直接对应 |
| Family History | 家族史 | 直接对应 |
| Social History | 个人史/烟酒史 | 中文体系拆分更细 |
| Allergies | 过敏史 | 直接对应 |
| Physical Exam | 体格检查 | 直接对应 |
| Pertinent Results | 辅助检查 | 中文常并入「辅助检查」 |
| Hospital Course | 诊疗经过/住院经过 | 直接对应 |
| Discharge Medications | 出院带药 | 直接对应 |
| Assessment and Plan | 诊断与治疗计划 | 中文常拆为「诊断」「治疗方案」两节 |
| Impression（放射） | 影像诊断/印象 | 直接对应 |
映射不是一一对应：中文体系有「月经婚育史」「中医四诊」等美式体系没有的章节，反向亦然。建议做法：以中文书写规范为主干建标签体系，把 MedSecId 50 类作为参考全集查漏。
C.2 语料与标注设计
- 文体抽样：仿 MedSecId 的五文体育思路，按中文医院的出院小结、门诊病历、病程记录、检查报告、会诊记录分层抽样；
- 标注者配置：临床医生 2-3 人（主治为主 + 高年资住院医），沿用三人独立 + Krippendorff α 的质量协议；中文病历章节识别的 α 预期不低于英文（章节标题书写更规整）；
- 标注单元：句级 IO 对中文同样适用，但中文分句本身是前置问题——建议先定分句器（如按。；？切分 + 短句合并规则）并写进指南，避免标注者对「句」的理解不一致。
C.3 模型迁移路径
三条成本递增的路径：
- 零样本迁移：把中文病历机器翻译成英文喂给 MedSecId 模型——成本最低，可行但误差叠加，只适合原型验证；
- 多语言模型微调：用小规模中文标注（500-1000 篇）微调 XLM-R / 中文 BERT，起点用 MedSecId 预训练的标签体系——推荐主力路径；
- 从头标注：全量按 C.2 设计标注中文语料——成本最高，适合有长期数据资产规划的机构。
C.4 合规注意
中文电子病历的合规约束与 PhysioNet 体系不同：受《个人信息保护法》《数据安全法》及卫健委病历管理规定约束，一般不能走「公开标注+受控原文」的分离模式直接公开。机构内自建标注时，标注文件本身也可能被视为含敏感信息，发布前需经机构伦理与数据管理部门审批。这是中英文场景在资源发布模式上的根本差异。
附录 D：常见问题（FAQ）
Q1：MedSecId 是免费数据集吗？
分三层回答：标注文件（Zenodo）与代码（GitHub/PyPI，MIT）免费；笔记原文免费但要走 PhysioNet 凭证审核流程（注册 + CITI 训练 + DUA + 审核）；商业使用受 Credentialed Health Data License 约束，需另行评估。
Q2：不做医疗 NLP，只做通用文本分割，这个语料有用吗？
有参考价值：它是一个「自由文本 → 结构化区段」的成熟标注范式，IO 编码、长文档处理、长尾类别分析等经验可迁移。但直接用于非医疗文本的模型效果无保证。
Q3：可以用 MedSecId 训练的模型处理我医院的真实病历吗？
技术上可以（mimicsid 包支持任意文本预测），但注意三点：英文模型处理中文病历无效；英文非美式体系病历（如英式、印度式书写）域偏移明显；生产部署前务必在自有数据上评测（坑 4）。
Q4：标注文件里到底是 JSON 还是 CSV？
以 Zenodo record 7150451 实际下载的压缩包为准；mimicsid 包提供了统一的读取接口，建议通过包 API 访问而非直接解析原始文件格式。
Q5：2,002 份笔记对应多少患者？
论文未按唯一患者口径披露患者数（笔记粒度抽样）。需要患者级去重的场景要自己用 MIMIC-III 的 subject_id 反查。
Q6：能拿到 50 类的完整标签清单吗？
可以：论文正文有类型表；Zenodo 标注文件解析后可统计出实际出现的全部标签及频次。本条目正文列举了代表性章节，未逐一抄录 50 类（见 §20.1 存照）。
Q7：训练数据怎么划分（train/dev/test）？
论文有官方划分（随标注文件/复现 repo 提供）。自建划分时注意按笔记（而非句）划分，避免同篇笔记跨集合泄漏。
Q8：LLM（GPT 类）直接做章节识别能到什么水平？
LLM-SI（arXiv 2404.16294）的结论：LLM 零样本可用但不及微调基线，且在真实世界传真/OCR 文档上与微调模型一起骤降。LLM 适合做冷启动与稀有章节兜底，主力仍建议微调模型。
Q9：为什么不用现成的章节标题正则库？
正则与人工的 α 只有 0.54（§7.2）。正则库可作为规整层（剥离页眉、识别明显标题行）在流水线中使用，但主力切分与分类交给模型。
Q10：这个数据集有中文版吗？
官方无中文版。中文迁移路线见附录 C；目前没有公开的、同等规模的中文病历章节识别标注语料，这正是中文团队可以填补的空白。
附录 E：术语表（英中对照）
| 英文术语 | 中文 | 说明 |
|---|---|---|
| Section Identification (SI) | 章节识别 | 本语料的核心任务 |
| Section segmentation | 章节切分 | 确定章节边界 |
| Section type / label | 章节类型/标签 | 50 类之一 |
| Header | 章节标题 | 标题行 token，子任务对象 |
| Discharge summary | 出院小结 | 五文体之一 |
| Radiology report | 放射报告 | 五文体之一 |
| Consult | 会诊记录 | 五文体之一 |
| Echocardiography (echo) | 超声心动报告 | 五文体之一 |
| Physician progress note (CHP) | 医生病程记录 | 五文体之一 |
| History of Present Illness (HPI) | 现病史 | 高频章节类型 |
| Past Medical History (PMH) | 既往史 | 高频章节类型 |
| Hospital Course | 住院经过 | 高频、F1 最高的章节之一 |
| Impression | 印象/影像诊断 | 放射报告结论章节 |
| IO encoding | IO 编码 | 句级 In/Out 序列标注格式 |
| Sequence labeling | 序列标注 | 任务形式化范式 |
| BiLSTM-CRF | 双向 LSTM-条件随机场 | 论文最优基线架构 |
| GloVe 300D | GloVe 300 维词向量 | 论文最优配置的嵌入 |
| BioBERT | 生物医学 BERT | 对照模型 |
| Micro F1 | 微平均 F1 | 全部实例平均，0.955 |
| Macro F1 | 宏平均 F1 | 按类别平均，0.787 |
| Krippendorff alpha | Krippendorff α | 标注者间一致性系数 |
| Attending physician | 主治医师 | 标注者构成 |
| Senior resident | 高年资住院医 | 标注者构成 |
| cui2vec | 临床概念向量 | UMLS CUI 嵌入，用于分析 |
| MIMIC-III | 重症监护医疗信息数据库 III | 上游数据源 |
| NOTEEVENTS | MIMIC-III 笔记表 | 原文所在表 |
| PhysioNet | 生理信号与临床数据平台 | 凭证发放方 |
| Credentialed Health Data License | 受凭证保护健康数据许可 | 1.5.0，文本层许可【风险项】 |
| Data Use Agreement (DUA) | 数据使用协议 | 凭证流程必签 |
| CITI training | CITI 人受试者保护训练 | 凭证流程必做 |
| Domain shift / OOD | 域偏移/分布外 | 传真/OCR 场景的核心风险 |
| Zensols | Zensols NLP 框架 | 工程底座 |
| mimicsid | zensols.mimicsid 包 | 工具与预训练模型分发载体 |
| Zenodo | Zenodo 开放知识库 | 标注文件发布地 |
| ACL Anthology | ACL 文献库 | 论文存档（2022.coling-1.326） |
附录 F：标注质量深读——α 之后还该看什么
Krippendorff α = 0.84-0.87 是金标质量的第一个信号，但成熟的使用者不应止步于此。以下是对标注质量的进阶审视框架，同样适用于任何「准备引入到自己项目」的人工标注语料。
F.1 α 的局限
α 是把全部标注折叠成一个标量的共识度量，它不告诉你：
- 分歧集中在哪些章节：直觉上，边界句与稀有章节的分歧远高于 hospital-course 这类长章节内部；论文未逐类公布分歧矩阵，这部分需要使用者自己量化；
- 分歧是「边界型」还是「类型型」：两句互相争议是「都该归同一章但界线挪了一句」（边界型），还是「根本是两个不同章节」（类型型）——两者对下游的影响完全不同，后者会造成系统性标签污染；
- 标注者个人的系统偏差：三人中是否有人整体偏保守（倾向 Out）或偏激进——α 无法区分。
F.2 使用者自己的质检协议
引入语料后的 30 分钟质检建议：
- 随机抽 20 篇，人工过一遍章节边界，记录「明显不合理」的数量；
- 统计金标中「单句章节」（只有 1 句的章节）占比——异常高说明边界漂移或碎片化标注；
- 检查 Out 类占比是否符合预期（MIMIC-III 文本头部噪声是 Out 主力，若 Out 极少可能是解析错位）；
- 对你最关心的 3-5 个章节类型，各抽 10 个实例目检类型正确性。
F.3 与标注成本对照的价值判断
三人逐句标注 2,002 篇 × 平均 12 章节 × 2,307 token，是数千小时级的人工投入。这也是为什么 MedSecId 的发布对社区价值巨大：任何一个团队自己重做都要付出同等的成本。反过来说，如果你要为自己的领域/语言建同类语料，MedSecId 的标注指南、50 类体系与流程就是可以直接借用的脚手架——复用方法论、不重造轮子，是本项目对后来者的最大启示之一。
附录 G：时代坐标——SI 在大模型时代的位置
G.1 为什么 LLM 时代仍需要专门的章节识别
一个常见质疑：LLM 可以直接做信息抽取，「章节识别」这个中间步骤是否已被淘汰？现实答案是否定的，理由有三：
- 成本：对批量病历做全篇 LLM 抽取的费用远高于「轻量 SI 模型过滤 → 只对相关章节调用 LLM」的两段式架构；章节识别是把 LLM 调用量压缩一个数量级的过滤器；
- 可控性：章节标签是确定性的结构信号，可以进规则引擎、可以审计、可以缓存；LLM 的中间判断不可复现；
- 评测：任何「LLM 抽取病历」的评测都需要把错误归因到位置——章节坐标系是最自然的错误定位框架。
G.2 MedSecId 在 LLM 评测中的角色
LLM-SI 工作把 MedSecId 用作 LLM 的 SI 基准，其结构性发现（电子文本尚可、传真/OCR 骤降）与大模型在其他医疗文本任务上的域外表现一致。这意味着 MedSecId 的第二生命是域鲁棒性测试床：新模型/新提示策略出来，先在 MedSecId 上看电子原生文本的分，再到真实扫描文档集上看衰减幅度——两个数字的差就是「临床落地折扣」。
G.3 对数据集建设者的启示
MedSecId 的发布模式给中文数据集建设者三点启示：
- 分离发布：标注层公开 + 受控原文引用，是绕开隐私许可死结的成熟设计；
- 基准优先：先有可复现的基线数字（哪怕 0.787 的 macro），语料才会被采用；
- 工具链随行：pip 一装就能预测（mimicsid），把采用门槛从「读论文复现三个月」降到「一下午跑通」。
附录 H：版本与引用管理建议
对需要在论文或系统中引用 MedSecId 的团队：
- 引用论文：Landes et al., COLING 2022（完整格式见 §20.4）；
- 引用数据：Zenodo record 7150451（标注文件），并标注版本/下载日期；
- 引用工具：如使用 mimicsid 包，注明包版本（如 0.1.0）与 Zensols 框架；
- 引用 MIMIC-III：按 PhysioNet 要求引用 MIMIC-III 论文（Johnson et al.）与 PhysioNet 平台文献——这是 DUA 的义务之一；
- 版本锚定：本条目的硬数字（2,002/50/0.84-0.87/0.955/0.787）以论文 v1 与 Zenodo v1 标注为准；若未来出现标注修订版，以修订版论文为准重估。
H.1 与库内条目的引用链关系
在本库的知识网络中，medsecid 条目的引用链是：mimic-iii（数据源头）→ medsecid（本条，标注增值层）→ 下游应用条目（如 mimic-iv-note 迁移、synthetic-mimic-iii-health-gym 半监督扩展）。撰写相关条目时应把 medsecid 视为「MIMIC-III 文本增值族」的成员，与 phenotype-annotations-mimic（表型注释族）、mimic-cxr（影像-报告族）平行互链。
附录 A-H 与正文 §1-20 共同构成本条目。全文硬数字经 ACL Anthology 论文页、GitHub 官方仓库、Zenodo 记录与第三方引述（arXiv 2404.16294）多源互证；合规风险项（PhysioNet 凭证）已如实标注。
§17. 案例解剖：一份出院小结的章节识别
用一个典型场景把整个任务串起来。假设 MIMIC-III 中有这样一份出院小结（虚构示例，结构真实）：
Service: MEDICINE
Admission Date: [日期] Discharge Date: [日期]
HISTORY OF PRESENT ILLNESS:
This is a 67-year-old man with a history of COPD and
type 2 diabetes mellitus who presented with three days
of worsening dyspnea and productive cough ...
PAST MEDICAL HISTORY:
COPD (GOLD III), type 2 diabetes mellitus, hypertension.
MEDICATIONS ON ADMISSION:
Tiotropium, metformin, lisinopril.
HOSPITAL COURSE:
The patient was admitted to the general medicine floor
and started on nebulized albuterol and systemic
steroids ...
DISCHARGE MEDICATIONS:
Prednisone taper, tiotropium, resume home medications.
FOLLOWUP: With pulmonology in two weeks.
MedSecId 的标注模型应输出：
| 句子范围 | 章节标签 | 说明 |
|---|---|---|
| Service / Admission Date 两行 | 节外（Out）或管理性章节 | 页眉类元信息，非临床章节 |
| HISTORY OF PRESENT ILLNESS: | 标题 token（HPI） | 标题识别子任务命中 |
| This is a 67-year-old man … | HPI（In） | 现病史正文 |
| PAST MEDICAL HISTORY: 及其内容 | PMH | 注意「COPD/糖尿病」在此章属既往史 |
| HOSPITAL COURSE 段落 | hospital-course | 本次住院事件，时间锚定本次入院 |
| DISCHARGE MEDICATIONS 段落 | discharge-medications | 出院带药清单 |
这份数据能立刻看出章节标签的下游价值：同是「COPD、糖尿病」，出现在 PMH 章节就应记为既往诊断；「prednisone」出现在 discharge-medications 就是出院带药而非入院前用药。一个基于 MedSecId 的前置章节识别器，能让后续的疾病/药物抽取系统的过滤逻辑从「猜上下文」变成「查标签」。
再看一个反例（域偏移场景）：同一份小结如果来自传真扫描，OCR 输出可能是 H1STORY 0F PRESENT ILLNE55: 这类噪声。在 MedSecId 上训练的模型大概率认不出这个标题，整段会被误标为节外。这正是坑 4 的具体形态，也是为什么 §15 清单里要求在生产文本上另建迷你测试集。
§18. 按角色阅读路径
临床 NLP 研究者：读 §2（任务定义）→ §6（数据规模）→ §8（基线与发现）→ §14（横向对比）→ 引用论文时用 §4.1 的完整信息。你最可能的问题是「在这上面还能发什么」：稀有章节的 few-shot/层次标签、LLM 对比、跨文体迁移、中文映射研究都是开放方向。
医疗文本挖掘工程师：读 §10（获取与合规）→ §15（实操清单）→ §12（坑点）→ §17（案例）。先办凭证、先跑预训练模型、先做域适配评测，再谈自研模型。
电子病历结构化产品经理：读 §1（速览）→ §2.2（为什么重要）→ §12（坑 1/2/4/5）→ §13（DAIMS 表）。核心决策点是：你的产品文本分布与 MIMIC-III 电子原生文本差多远，以及商业用途的合规路径。
医学信息学研究生：读 §4（论文与团队）→ §7（标注方法论）→ §8.4（cui2vec 分析）。如果你想复刻一个「中文版 MedSecId」，§7 的五步流程（指南→试点→三人独立→α→消解）与 §10.1 的三层发布结构（标注公开/代码开源/文本受控）就是现成模板。
数据合规/法务：直接读 §10 全节 + §12 坑 5 + §13 DAIMS 的许可行。需要带走的一句话：标注层公开、代码层 MIT、文本层 PhysioNet 凭证且商业受限，三层不可混为一谈。
教学/课程设计者：§17 的案例可以作为课堂练习（给学生一段出院小结，让他们先手工划章节再对比模型输出）；§8.2 的「GloVe 胜过医学词向量」是讨论「表示学习与任务性质关系」的好案例。
§19. 一页速查卡
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
MedSecId 速查卡
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
任务 临床笔记章节识别（切分 + 50 类分类）
形式 句级 IO 序列标注 + 标题 token span 子任务
规模 2,002 份笔记 / 50 类 / 5 文体
文体 出院小结·放射·会诊·超声心动·医生病程
标注 2 主治 + 1 高年资住院医；α = 0.84-0.87
基线 BiLSTM-CRF(GloVe300D) MiF1 .955 / MaF1 .787
对照 正则基线 α 仅 0.54；BERT 句级更快更稳
反直觉 通用 GloVe > 医学词向量（本任务）
软肋 长尾章节；传真/OCR 域外骤降（LLM-SI）
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
获取三层
标注 Zenodo record 7150451（公开）
代码 github.com/uic-nlp-lab/medsecid（MIT）
pip install zensols.mimicsid（含预训练模型）
原文 MIMIC-III v1.4 NOTEEVENTS
→ PhysioNet 凭证：注册+CITI+DUA+审核【风险项】
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
论文 Landes et al., COLING 2022, pp.3709-3721
DOI 10.18653/v1/2022.coling-1.326
版本链 MIMIC-III v1.4 → 标注 v1 → mimicsid 0.1.0
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
五坑速记 ①无原文 ②勿只看MiF1 ③正则不够
④域偏移 ⑤许可三层
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
§20. 附记与存照
20.1 双口径存照
- 标注者人数：论文与官方摘要页口径为「2 名 attending physicians + 1 名 senior resident」共 3 人；个别二手转述简化为 physicians。本条目按三人口径成稿；
- 50 种章节类型：数字源自论文表格；第三方 LLM-SI 论文引述的「平均 12 sections/doc」与之互证一致。逐类清单未在本条目内逐一复核，检索者以 Zenodo 标注文件实测为准；
- 获取许可：「Zenodo 标注公开」与「原文需 PhysioNet 凭证」并存而非矛盾——标注层与文本层本就分属不同许可体系（§10.1 三层表）。Zenodo record 7150451 的 license 字段细节未直接抓取核验，列为遗留疑点。
20.2 遗留疑点
- Zenodo 页面的 license 字段与标注文件内是否含去标识原文片段，均以检索者下载后实测为准；本条目按「span/label 为主」的保守口径表述；
- MIMIC-III 访问政策的未来变更（PhysioNet 曾多次升级凭证要求）可能影响获取路径的细节，使用前请以 physionet.org 当前页面为准；
- LLM 时代在 MedSecId 上的最新 SOTA 数字持续刷新，本条目以论文原基线（0.955/0.787）为准锚，后续模型成绩请查阅最新文献。
20.3 建议互链点（供主会话回填 rid 后核对）
- mimic-iii（rid=106）：上游数据库；
- mimic-iv-note（rid=47）：后继笔记库，迁移目标；
- i2b2-n2c2-nlp（rid=14）：同域共享任务语料家族；
- synthetic-mimic-iii-health-gym（rid=597）：合成文本扩展语料；
- mimic-cxr（rid=16）：放射报告同构语料；
- phenotype-annotations-mimic（rid=594）：MIMIC-III 注释家族互参。
20.4 引用格式
如使用本语料，请引用：
Landes, P., Patel, K., Huang, S. S., Webb, A., Di Eugenio, B., & Caragea, C. (2022). A New Public Corpus for Clinical Section Identification: MedSecId. Proceedings of the 29th International Conference on Computational Linguistics (COLING 2022), 3709-3721.
同时遵守 PhysioNet 对 MIMIC-III 的引用要求（引用 MIMIC-III 论文与 PhysioNet 平台文献）。
本条目由千方病案医数集编辑部依据一手来源（ACL Anthology、Zenodo、GitHub、PhysioNet 文档及后续引述文献）编写，硬数字经多源互证；编写日期 2026-10-17。
附录 I：50 类章节分组导读
论文的 50 种章节类型可按功能归为若干组。本附录按组导读，帮助使用者在设计下游系统时快速定位「我关心的信息在哪个标签里」。以下分组基于论文类型表与 MIMIC-III 文体常识归纳（逐类频次请以 Zenodo 标注实测为准）。
I.1 病史叙事组（历史性信息）
| 类型 | 含义 | 下游用途 |
|---|---|---|
| History of Present Illness | 现病史：本次发病的叙述 | 症状时间线抽取、发病诱因 |
| Past Medical History | 既往史：既有诊断 | 既往诊断清单（注意与本次入院诊断区分） |
| Past Surgical History | 既往手术史 | 手术史结构化 |
| Family History | 家族史 | 家族遗传风险，非患者本人诊断 |
| Social History | 社会史：烟酒、职业、生活 | 危险因素抽取 |
| Allergies | 过敏史 | 用药安全校验的第一道闸 |
这一组是「上下文过滤器」价值最高的部分：同一个疾病名词在 HPI / PMH / FH 三个章节的语义角色完全不同。任何疾病编码（ICD 映射）或时间线系统都应以此为第一层路由。
I.2 检查与测量组（客观发现）
| 类型 | 含义 | 下游用途 |
|---|---|---|
| Physical Exam | 体格检查 | 体征抽取（生命体征之外的主查体） |
| Vital Signs | 生命体征 | 数值型结构化 |
| Pertinent Results / Labs | 辅助检查/化验 | 检验数值关联 |
| Radiology / Imaging | 影像相关章节 | 影像发现抽取 |
| Procedures | 操作/手术记录 | 事件抽取（与既往手术史区分：本次住院 vs 既往） |
| Measurements（echo 等） | 测量参数区 | 数值表格解析 |
I.3 诊疗决策组（计划与判断）
| 类型 | 含义 | 下游用途 |
|---|---|---|
| Assessment | 评估：医生对病情的判断 | 诊断推理文本，含大量鉴别诊断 |
| Plan | 计划：后续处置 | 医嘱意图抽取 |
| Assessment and Plan | 评估+计划合写体 | 同上（美式病历常见合写） |
| Hospital Course | 住院经过：本次住院事件流水 | 事件时间线的主战场，F1>0.99 的高频章节 |
| Discharge Diagnosis / Diagnoses | 出院诊断 | ICD 编码的主源 |
| Admission Diagnosis | 入院诊断 | 与出院诊断对照可算诊断漂移 |
| Discharge Medications | 出院带药 | 用药清单结构化 |
| Discharge Condition | 出院状态 | 结局评估 |
| Followup | 随访安排 | 随访提醒生成 |
| Discharge Instructions | 出院指导 | 患教材料抽取 |
I.4 放射报告组
| 类型 | 含义 |
|---|---|
| Indication / Clinical Information | 检查指征 |
| Technique | 检查技术与参数 |
| Comparison | 与既往影像对比 |
| Findings | 所见：逐器官描述 |
| Impression | 印象：结论段，下游抽取重点 |
I.5 管理性与节外组
包含服务/日期头、签署信息、页眉页脚残留等，多数被标为 Out 或管理性章节。清洗流水线应首先剥离这部分，减少 SI 模型的无效输入。
I.6 使用提醒
- 上述名称是英文标签的语义归纳，实际标签串以标注文件为准（存在连字符变体、大小写变体，解析时统一 normalize）；
- 同一功能在不同文体下标签不同（出院小结的「诊断」与病程记录的「assessment」不等价），跨文体合并抽取时要建立标签映射层；
- 长尾章节多集中在 I.2 检查组与专科小节，评测时优先盯这组的 macro 贡献。
附录 J：十二周实践课程设计（基于 MedSecId 的学习路线）
面向想在临床 NLP 方向建立实战能力的团队/学生，以下是一套以 MedSecId 为主线的十二周课程设计。
阶段一：基础与环境（第 1-2 周）
- 第 1 周：读论文（§4.1 引用）；办 PhysioNet 凭证（§10.2 流程启动）；跑通 mimicsid 安装与对样例文本的预测。里程碑：看到第一份章节预测输出。
- 第 2 周：解析 Zenodo 标注，统计 50 类分布；做附录 F 的 30 分钟质检协议。里程碑：一张自己生成的标签频次表 + 分文体规模表。
阶段二：复现与理解（第 3-5 周）
- 第 3 周：拼合金标（原文 + 标注），人工抽查 20 篇；理解 IO 编码与 span 对齐的坑。
- 第 4 周：用官方配置重训 BiLSTM-CRF；对照 0.955/0.787。
- 第 5 周：实现句级 BERT 对照；观察长文档行为差异（§8.3）。里程碑：两条基线都能跑，误差分析报告第一版。
阶段三：改进与评测（第 6-9 周）
- 第 6 周：分文体评测；找出自己最差文体（预期：病程记录）。
- 第 7 周：分章节类型评测；定位长尾短板（对照附录 I 分组）。
- 第 8 周：尝试一项改进（稀有类加权/层次分类/数据增强），量化 macro F1 提升。
- 第 9 周：错误分析三类画像（§B.4）；写中期报告。
阶段四：域迁移与生产化（第 10-12 周）
- 第 10 周：构造迷你真实世界测试集（50-100 份传真/OCR/异构文本），量化域偏移（LLM-SI 口径）。
- 第 11 周：部署架构实验（§B.5）：文本规整层 + 文体路由 + 置信度过滤；测延迟与吞吐。
- 第 12 周：结题——完整技术报告（数据、基线、改进、域偏移、部署），并把代码整理为可复现仓库。
配套阅读建议
- 论文本体（COLING 2022）——精读 §语料构建与 §分析两章；
- LLM-SI（arXiv 2404.16294）——域偏移与 LLM 对照；
- Zensols 框架文档——工程实现细节；
- i2b2 2010 任务论文——同域任务方法论对照。
评估量表建议
| 周次 | 可量化里程碑 |
|---|---|
| 2 | 标签分布表 + 质检通过 |
| 5 | 复现基线偏差 <±0.005 |
| 8 | macro F1 相对提升（自定目标 ≥+0.01） |
| 10 | 域偏移幅度报告（电子 vs 扫描） |
| 12 | 端到端演示 + 可复现仓库 |
附录 K：MIMIC 文本生态地图与本库互链深度图
K.1 生态地图
以 MIMIC-III NOTEEVENTS 为圆心，临床文本资源的生态可以画成四圈：
- 第一圈（原始库）：MIMIC-III 本体、MIMIC-IV / MIMIC-IV-Note（后继版本）。提供受控原文；
- 第二圈（标注增值层）：MedSecId（章节）、i2b2 系共享任务语料（概念/关系/断言）、表型注释类资源（phenotype-annotations-mimic 等）。把自由文本变成结构信号；
- 第三圈（模型与方法层）：mimicsid/Zensols（SI 工具链）、各类临床 BERT/LLM 与它们的评测集。消费第二圈语料；
- 第四圈（派生与合成层）：合成临床文本（synthetic-mimic-iii-health-gym）、问答派生集、多模态对齐集（mimic-cxr 的图文对）。扩展覆盖面或降低门槛。
MedSecId 位于第二圈，且在第二圈中占据独特生态位：它是唯一以「文档结构」为对象的公开大规模标注——其他第二圈资源都在做「内容」（什么疾病、什么药、什么关系），只有它做「骨架」（文本怎么组织）。骨架先于内容：任何内容抽取系统都隐含依赖一个骨架假设。
K.2 库内互链的六条边（深度说明）
- mimic-iii（rid=106）→ medsecid：数据血缘边。引用 MedSecId 的研究几乎必然同时引用 MIMIC-III；两个条目互为对方「获取路径」章节的必读前置。
- medsecid → mimic-iv-note（rid=47）：迁移边。MIMIC-IV 的笔记文体与 MIMIC-III 高度同源（同院系、同书写习惯的延续），MedSecId 模型向 MIMIC-IV-Note 迁移是零标注成本的冷启动，也是论文未做但社区自然延展的方向。
- medsecid ↔ i2b2-n2c2-nlp（rid=14）：方法论姊妹边。i2b2 2010 的概念/断言/关系任务与 SI 构成「骨架→内容」的流水线两段；i2b2 语料的出院小结子集本身就是章节识别的适用对象。
- medsecid → mimic-cxr（rid=16）：文体专项边。MIMIC-CXR 的报告与 MedSecId radiology 子集同构，Indication/Findings/Impression 标签可直接复用；反向，MIMIC-CXR 的报告结构化工作可以把 MedSecId 放射子集当预训练。
- medsecid → synthetic-mimic-iii-health-gym（rid=597）：扩展边。合成文本若保真章节结构，可作为 SI 的自训练语料；反过来用 SI 模型给合成文本打章节标签，也是检验合成保真度的一种探针。
- medsecid ↔ phenotype-annotations-mimic（rid=594）：注释家族边。同为「MIMIC-III + 人工注释」家族，标注组织、一致性报告、发布模式三者互为参照系。
K.3 端到端流水线整合示例
把库内条目串成一条「入院文本 → 结构化病史」的完整流水线：
MIMIC-III 原文（rid=106 条目）
│
├─ MedSecId 模型（本条）→ 章节骨架
│ │
│ ├─ FH/PMH 章节 → i2b2 概念抽取（rid=14 条目方法）→ 疾病/用药实体
│ │ └─ 断言/时间状态标注
│ ├─ Impression 章节 → 影像发现抽取（对接 mimic-cxr rid=16）
│ └── Out/管理章节 → 丢弃或归档
│
└─ 无标注扩充：合成文本（rid=597 条目）半监督
这条流水线里，MedSecId 是唯一提供「章节坐标系」的环节——没有它，下游每个抽取器都要各自猜上下文，错误会互相放大。
附录 L：伦理、监管与合规深读
L.1 为什么 MedSecId 采取「标注与原文分离」的发布设计
临床文本的公开化存在一个两难：直接发布去标识文本仍可能面临再识别风险（组合信息攻击）与许可义务；完全不发布又让研究无法复现。MedSecId 的解法是把「结构知识」（标注）与「受控内容」（原文）切开：标注本身不含可识别信息（只有位置与类别），可以自由流通；原文继续留在 PhysioNet 凭证体系内。这个设计已成为临床数据发布的重要参考模式（后被多个语料项目效仿）。
对使用者的含义：你从 Zenodo 下载的东西不涉及患者隐私风险；隐私与许可义务全部集中在「你如何获得并使用 MIMIC-III 原文」这一步。
L.2 PhysioNet DUA 的核心义务清单
签署 DUA 即承诺（要点归纳，全文以签署版本为准）：
- 不试图识别或联系个体患者；
- 不向未通过凭证流程的第三方再分发数据（包括原文与原文衍生的敏感形态）；
- 不将数据用于 DUA 声明以外的用途；
- 引用义务：使用数据的研究须引用 MIMIC-III 论文与 PhysioNet；
- 发现潜在再识别风险时有报告义务。
团队管理提示：凭证是个人级的——项目成员变动时要为新人单独走流程；不要共享账号或把原文放到未授权成员可访问的存储里。
L.3 商业使用的边界
Credentialed Health Data License 对商业活动的限制集中在于「数据的再分发与直接售卖」，而对「使用受控数据训练的模型/洞察」的边界在社区讨论中一直存在灰色地带（各版本条款与 PhysioNet FAQ 有具体表述）。稳妥做法：
- 任何商业立项前，把用途描述发给 PhysioNet 官方渠道确认；
- 区分「模型权重」（通常风险较低）与「原文/原文片段」（明确受限）；
- 产品中绝不出现可回溯到 MIMIC-III 原文的文本。
L.4 中文场景的对应义务
中文病历数据的对应义务体系不同（个保法、数安法、卫健委病历规定），且通常不存在「公开标注层」的合法空间。机构内复刻 MedSecId 模式时，最小可行方案是：标注层与原文层同样分离，但两者都留在机构内网，对外只发布方法论与统计描述。
附录 M：写作与引用事实核对清单（编辑部用）
本条目成稿过程中采用的事实核对清单，供后续维护者更新时复用：
| # | 事实点 | 来源 | 状态 |
|---|---|---|---|
| 1 | 论文题目/作者/页码/DOI | ACL Anthology 2022.coling-1.326 | 已核 |
| 2 | 2,002 份笔记 | 论文正文 + 第三方引述（arXiv 2404.16294） | 双源一致 |
| 3 | 50 种章节类型 | 论文类型表 | 已核（逐类清单未抄录，见存照） |
| 4 | 5 类文体 | 论文与 GitHub README | 双源一致 |
| 5 | 标注者 2 主治 + 1 高年资住院医 | 论文口径 | 已核 |
| 6 | α = 0.84-0.87；正则 α = 0.54 | 论文 | 双源一致 |
| 7 | BiLSTM-CRF MiF1 0.955 / MaF1 0.787 | 论文 + 第三方引述 | 双源一致 |
| 8 | 平均 12 章节/篇（SD 5.7）、平均 2,307 token | arXiv 2404.16294 引述 | 第三方口径，存照 |
| 9 | Zenodo record 7150451 | GitHub README 指向 | 已核（license 字段未直抓，存照） |
| 10 | mimicsid MIT、版本链 0.0.2-0.1.0 | GitHub/PyPI | 已核 |
| 11 | PhysioNet 凭证流程与 License 1.5.0 | PhysioNet 文档口径 | 已核（【风险项】） |
| 12 | LLM-SI 域偏移结论 | arXiv 2404.16294 | 已核 |
维护提示：以上任一事实点若在后续版本中发生变化（如标注 v2、许可改版），应同步更新正文 §6-§11、DAIMS 表（§13）与本清单，并在 §20 存照区追加变更记录。
附录 N：故障排查手册（Troubleshooting）
按症状索引的排查手册，覆盖从获取到部署各阶段的高频故障。
N.1 获取阶段
症状 1：Zenodo 下载链接 404 或 record 跳转。
排查：Zenodo 可能做了版本合并（concept record 与 version record 的区分）；从 GitHub uic-nlp-lab/medsecid README 的最新指向链接进入，而不是收藏旧链接。仍失败则在 Zenodo 搜索 “MedSecId section identification”。
症状 2：PhysioNet 审核被拒。
常见原因：CITI 证书与注册姓名不一致、未上传最新课程结业、机构信息模糊。处置：按拒绝信逐条补件重交，通常一轮可过；不要重复注册新账号（会触发风控）。
症状 3：拿到 NOTEEVENTS 但找不到标注对应的笔记 ID。
排查：确认两端用的是同一 ID 体系（MIMIC-III ROW_ID）；确认你下载的 MIMIC-III 是 v1.4（早期版本笔记集略有出入）；抽查 5 条标注 ID 在 NOTEEVENTS 的 ROW_ID 列中精确匹配。
N.2 数据拼合阶段
症状 4：span 对齐错位、标签看起来「漂移」。
排查（按概率排序）：
- 拼合前对原文做了空白字符 normalize（换行/制表符改动导致偏移）——保留原始字节重新对齐；
- 句子切分器与标注时用的不同——改用 Zensols 同款切分；
- 编码问题（非 UTF-8 读写）——全程强制 UTF-8。
症状 5：解析出的标签数量远少于预期。
排查：只解析了部分文件（压缩包内有分层目录）；或过滤条件写错（如把 Out 也当作需要章节类型的记录）。打印每种标签的计数与文件级清单定位。
N.3 训练阶段
症状 6：复现 Micro F1 明显低于 0.955（如 <0.93）。
排查顺序：切分器是否同款 → 词向量是否 GloVe 300D 同款 → 划分是否官方划分 → CRF 解码层是否启用 → span 对齐是否有 N.4 类错位。逐项二分定位。
症状 7：Macro F1 特别低（<0.70）而 Micro 正常。
多为长尾类基本没学到：检查稀有类是否被采样策略淹没；尝试类别加权或对稀有类过采样；先确保训练没有把稀有类样本因批处理截断丢弃。
症状 8：训练 OOM / 超慢。
token 级整篇输入对显存压力大：按笔记长度分桶、限制单批总 token 数；CPU 训练建议直接用句级 BERT 方案（更小更稳）。
N.4 评测阶段
症状 9：自测分数与官方对不上但误差很小（±0.005）。
属正常方差（随机种子、子词版本差异）。用多种子均值再比较。
症状 10：分文体评测时放射子集分数异常高/低。
检查文体判定来源：不要用笔记长度猜测文体，应使用 NOTEEVENTS 的 CATEGORY 字段或标注文件自带的来源标记。
N.5 推理与部署阶段
症状 11：生产文本预测出的章节「全是 Out」。
排查：文本规整层把标题行破坏了（如全角/半角转换、大写折叠）；OCR 质量过差（坑 4）；或输入被截断到前 512 token。先人工看 5 条输入的规整后形态。
症状 12：预测边界抖动（同篇文本两次预测结果不同）。
确认推理关闭 dropout/采样（eval 模式）；CRF 解码是确定性的，抖动只能来自随机性未关或批处理动态 pad 差异——固定 pad 到 bucket 边界可复现。
症状 13：长文档被静默截断。
句级方案滑窗时若只取前 N 句会丢尾部章节：统计输入长度分布，超限样本必须走分块合并策略而非静默截断；在监控里加「超长样本计数」。
N.6 排查通用原则
- 二分定位：把流水线切成「获取→拼合→训练→解码→部署」五段，先确定问题在哪段；
- 最小样本：用 1 篇短放射报告做端到端冒烟，人眼核对每一步输出；
- 以官方数字为锚：任何自研改动先在官方配置上复现基线，再谈修改；
- 留档：每个修复写一行根因与处置，积累成团队自己的 lessons（与本库 lessons.json 同精神）。
附录 O：使用场景速配表（数据卡片变体）
不同角色在不同项目阶段，真正需要动用的 MedSecId 子集与工件并不相同。本附录把「谁、在什么阶段、用哪一层、产什么」压成一张速配表，并给出每条场景的最小成功判据。
O.1 场景速配表
| 场景 | 需要的层 | 核心工件 | 最小成功判据 |
|---|---|---|---|
| 论文基准评测（SI 任务） | 标注层 + 文本层 | 官方划分 + 复现 repo | MiF1 复现偏差 ≤±0.005 |
| 病历结构化系统预研 | 三层全要 | mimicsid 预训练模型 | 在 50 份自有文本上人工抽检可用率 ≥80% |
| 下游 NER 前置过滤 | 预训练模型即可 | zensols.mimicsid | 目标章节召回不因过滤而下降 |
| 合成数据质量探针 | 预训练模型 | 合成文本 + SI 打标 | 章节结构异常率可量化输出 |
| 中文迁移可行性研究 | 标注层 + 论文 | 附录 C 映射表草案 | 50 类映射覆盖率报告成文 |
| 教学/课程 | 标注层（可仅部分） | 附录 J 十二周路线 | 里程碑表全部达成 |
| 合规评估 | 论文 + 许可文本 | §10 + 附录 L | 出具书面合规意见 |
| 域鲁棒性评测（LLM 时代） | 三层全要 + 自建扫描集 | LLM-SI 口径 | 电子 vs 扫描衰减幅度报告 |
O.2 各场景的常见变体操作
只关心放射报告的团队：从标注中过滤 radiology 来源子集，直接复用 Indication/Findings/Impression 标签；可跳过出院小结相关章节的复杂度，训练时间缩短一个量级。
只想做「标题行检测」的团队：使用标题 token span 子任务标签，训练 token 级二分类即可；这是 SI 的轻量替代，适合算力受限场景，但会失去章节类型信息。
要构建「章节感知问答」的团队：先用 SI 模型把语料切成章节，把「章节类型 + 章节文本」作为检索单元（而非整篇笔记）建索引；检索命中后携带章节类型提示 LLM 作答，可显著减少跨章节混淆型错误。
要做模型蒸馏/轻量化：教师用论文级 BiLSTM-CRF，学生用小型 Transformer 或 CNN；蒸馏目标除 IO 标签外，加入 CRF 边缘概率（软标签），对边界句效果更好。
O.3 场景切换时的资产复用提示
- 拼合好的金标（原文+span）是所有场景的公共资产，先把它做成版本化的内部数据包（附拼合脚本与校验和），避免各场景重复拼合产生不一致副本；
- 分文体/分章节的评测脚本是第二公共资产，写一次处处复用；
- 迷你真实世界测试集（§15 第 8 步产出）是域适配场景的长期资产，随生产文本分布演化定期扩充。
附录 P：与 i2b2 任务的流水线对接实例
给出一个把 MedSecId 与 i2b2 2010 风格任务串起来的具体对接实例，展示「骨架→内容」两段式流水线的接口设计。
P.1 接口约定
MedSecId 环节的输出契约（建议的中间表示）：
{
"note_id": 123456,
"note_type": "discharge_summary",
"sections": [
{"label": "past_medical_history",
"start_sent": 3, "end_sent": 5,
"header_text": "PAST MEDICAL HISTORY:",
"confidence": 0.98},
{"label": "hospital_course",
"start_sent": 6, "end_sent": 14,
"header_text": "HOSPITAL COURSE:",
"confidence": 0.99}
]
}
下游 i2b2 风格抽取环节按 label 路由：family_history/past_medical_history 章节内的疾病提及默认「非本次、非本人/本人既往」断言状态；hospital_course 章节内的时间表达式锚定本次住院；discharge_medications 章节内的药物提及默认「出院带药」。
P.2 断言继承规则示例
| 章节标签 | 疾病提及默认断言 | 时间锚点 |
|---|---|---|
| history_of_present_illness | 本次发病过程叙述 | 本次入院前 |
| past_medical_history | 确认存在、属既往 | 入院前长期 |
| family_history | 存在于家族成员 | 无患者级时间 |
| hospital_course | 本次住院期间事件 | 本次入院起 |
| discharge_diagnoses | 出院确认诊断 | 出院时点 |
| assessment | 医生当前判断 | 当前 |
这些规则把「章节坐标系」翻译成下游可执行的先验，是 SI 价值的最直接变现方式。
P.3 失败模式与降级
- SI 置信度低于阈值 → 该章节整段送人工/LLM 复核队列，不做先验断言；
- 文本被判定为扫描/OCR 域 → 走增强规整层后再进 SI，或直接跳过先验（退化为无章节模式）；
- 章节标签不在体系内（未见过的新标题）→ 归入「其他」，并累积样本供下一轮标注扩充。
（附录 O-P 完。全文 §0-§20 与附录 A-P 共同构成本条目。）
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- labelled-notes-hospital-course — 共享标签：医疗NLP / 临床文本 / 电子健康记录 / 临床电子病历 / 评测基准
- mediqa — 共享标签：医疗NLP / 临床文本 / 电子健康记录 / 临床电子病历 / 评测基准
- ehrsql — 共享标签：医疗NLP / 临床文本 / 电子健康记录 / 临床电子病历 / 评测基准
- deidentified-medical-text — 共享标签：医疗NLP / 临床文本 / 电子健康记录 / 临床电子病历 / 评测基准
- synsum — 共享标签：医疗NLP / 临床文本 / 电子健康记录 / 临床电子病历 / 评测基准
- primock57 — 共享标签：医疗NLP / 临床文本 / 电子健康记录 / 评测基准
- trec-ct-2021 — 共享标签：医疗NLP / 临床文本 / 电子健康记录 / 评测基准
- medagentbench — 共享标签：医疗NLP / 电子健康记录 / 临床电子病历 / 评测基准
- mimic-patient-json — 共享标签：临床文本 / 电子健康记录 / 临床电子病历 / 评测基准
- generated-codes-low-resource — 共享标签：医疗NLP / 临床文本 / 电子健康记录 / 评测基准
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
