定义
自然语言处理（Natural Language Processing，NLP）是人工智能的重要分支，使计算机能够理解、分析、生成人类语言。NLP 涵盖文本分类、命名实体识别、情感分析、机器翻译、问答系统、文本生成等任务，应用于病历分析、智能问诊、智能诊断、循证医学、知识图谱构建、客服机器人等场景。
NLP 的核心技术与应用
NLP 技术包括传统方法（规则、统计）与深度学习方法（RNN、Transformer、大模型）。在医疗领域，NLP 可从电子病历中提取症状、诊断、用药等信息，支撑智能诊断、医学影像AI报告生成、循证医学文献检索。与知识图谱结合，可构建疾病-症状-治疗知识网络。与图像识别多模态融合，可提升远程医疗问诊体验。
在物联网与医疗场景中的价值
NLP 为医疗物联网提供语义理解能力。患者语音/文字主诉经 NLP 解析后，可辅助智能诊断初筛与分诊；病历、检查报告的结构化提取支撑大数据分析。数据通过云平台处理，需符合医疗数据安全与隐私法规。达希物联可为医疗设备、远程医疗平台提供安全联网、数据加密、API集成能力，支撑 NLP 服务的接入。
发展趋势与实施建议
大模型、预训练语言模型的兴起显著提升了 NLP 能力。实施时需关注：领域适配（医疗、法律等垂直领域）、多语言支持、可解释性与FDA、NMPA 等监管合规、与现有 HIS、PACS 等系统的集成。结合循证医学、知识图谱，可增强 NLP 输出的可信度与临床适用性。
语言任务边界与领域漂移
自然语言处理把口语或书面语句子变成可检索、可统计的结构：子词、实体、意图、否定关系和句子之间的指代。它不保证承担说话人的临床或业务责任。同一串字在病历、客服工单和设备告警里，实体边界完全不同。“升高”在检验单上可能是指标方向，在投诉里可能只是情绪。
能用的条件是文本来源稳定、术语表有人维护、标注口径写得下来。扫描件要先确认文字识别会把哪些药名和剂量认错，不能靠通用模型猜一个像的字。跨科室模板混在一个分类器里，模型会把模板标题当成诊断。多语言材料应分开评测，英文缩写和中文全称若合成同一个标签，检索时两侧都对不上原句。
容易错在把抽取结果直接写成事实。病历里的“否认胸痛”如果只抽出“胸痛”，否定被丢掉，分诊方向会反。时间表达“术后第三天”若没有锚定手术日期，时间线会错位。生成式摘要如果写出原文没有的药名，应视为添加而不是压缩。只用公开新闻做评测，不能说明在本院模板上的表现。
分类和序列标注可以由机器学习完成，但标签定义属于业务。影像报告若同时引用MRI所见，文本处理不能改写序列名称和左右侧。改写后的句子即使用词通顺，也不再能对回原始图像层。
标注要先规定边界。药名是否包含剂型，症状是否包含否认，时间是否必须带年份，这些规则不写下来，两个人标同一句话会得到两套标签。模型在这样的标签上训练，分数波动来自标注而不是算法。规则改了以后，旧标签不能和新标签混在一个训练集里，除非逐条改过。
输入通道也会改变含义。语音转写会把同音药名写错，扫描件会把小数点认成顿号，从结构化字段复制出来的文本又可能已经丢了单位。三种文本不能合成一个“病历语料”后一起评测。客服对话里的口头禅、设备告警里的代码、论文里的正式病名，实体词典也不能共用一份。
输出使用前要能回到原句。抽出的每个实体最好带上原文位置，方便人工核对否定和程度。没有位置的结构化结果，无法判断是模型添加的还是原文就有。生成的问诊摘要若删掉了过敏史或剂量，看起来更短，临床信息却少了关键约束。多轮对话还要区分本轮新说的症状和上一轮已经否认的症状，简单拼接上下文会把旧信息重新激活。
领域一换就要重新看错误类型。工业工单里的“温度高”是设备状态，病历里的“温度高”是生命体征，用同一个分类器会把两边的处置建议串起来。评测集应来自即将上线的文书，而不是只挑模型已经见过的公开例句。
上线后应统计被人改回原文的比例，这个比例比离线分数更能说明能不能进正式文书。改回若集中在某一类模板，就只重标那一类，不必把全部历史推倒。新科室或新模板的第一周，抽取结果应默认待核对。待核对期间不能自动写入诊断或医嘱，避免一句抽错的否定被当成已经确认的事实。