企业官网建设流程全解析

doccano：5 步跑通医疗 NER 数据集

【免费下载链接】doccanoOpen source annotation tool for machine learning practitioners.项目地址: https://gitcode.com/gh_mirrors/do/doccano

病历上写着「2型糖尿病伴慢性肾病，阿司匹林 100mg 口服」。嵌套疾病、药量、症状挤在同一句里，标注员第一个问题永远是：边界到底划在哪。

构建医疗 NER 数据集绕不开这种粒度，而 doccano 的 Sequence Labeling（序列标注）模式正是为此准备的：标签体系全组共享，标注结果以 span 形式落库，最后直接导出可训练的数据。

认知对齐：医疗 NER 标注的三个坑

医疗文本和普通文本的差别不在长度，而在三处。一是术语专业：「急性心肌梗死」和「心绞痛」在普通读者眼里是一回事，在标注规范里必须分开。二是实体嵌套：「2型糖尿病伴慢性肾病」里，主病和并发症各是一个 DISEASE，划错一层模型就学歪。三是规范刚性：标签划分通常要对齐 ICD-10 这类标准，标错不是返工一条，是返工一批。

差异摆在这里，标签体系必须先于任何操作定下来。

动手配置：部署 doccano 并建项目

Docker 启动与创建项目

git clone https://gitcode.com/gh_mirrors/do/doccano cd doccano docker-compose -f docker/docker-compose.prod.yml up -d

启动后访问http://localhost，用环境注入的初始账号登录（README 示例为admin/password，见 backend/api/management/commands/create_admin.py）。然后进入首页点 Create Project：项目名填「临床实体识别」，关键一步是 projectType 选Sequence Labeling——选成 Text Classification，后面所有 span 功能都不会出现，先别急着点 Create，确认这一项再提交。

医疗标签体系怎么定

三条判定原则，建项目前先在团队内对齐：

• 复合实体整体标：「2型糖尿病」是一个 DISEASE，不拆成「2型」+「糖尿病」。
• 嵌套实体走 BIO：doccano 界面里按最外层边界标注，导出层用B-/I-前缀表达实体起始与内部，如B-DISEASE、I-DISEASE。
• 边界歧义写进标签描述：拿不准的写法直接落在标签说明里，标注员按文档执行，而不是凭感觉。

在此基础上给出这套标签表：

标签不必逐条手填：Labels 页面支持导入 JSON 文件批量创建，字段为text、suffix_key、background_color，格式在导入弹窗里直接有示例（实现见 frontend/components/label/FormImport.vue）。

核心实操：临床数据导入与标注

数据导入：JSONL 最小格式

每行一条 JSON，最小字段是text（病历正文），建议再带meta（病历号等元数据，导出时会原样带回）：

{"text": "患者因持续性胸痛3天入院，诊断为急性心肌梗死，给予阿司匹林100mg口服。", "meta": {"case_id": "C12345"}} {"text": "主诉：咳嗽、发热2周，既往有2型糖尿病史。", "meta": {"case_id": "C12346"}}

Dataset 页面选 JSONL 格式上传即可。单文件别超 100MB，大批量病历按科室或日期切分、分次导入更稳妥。

标注界面三个关键操作

进入 Start Annotation 后，真正高频的只有三个动作：

1. 鼠标选区：划选「急性心肌梗死」，选区立刻变成一个 span，边界不满意直接拖拽端点。
2. 快捷键切标签：不松开键盘，按d标为 DISEASE、s标为 SYMPTOM。复合实体不拆、嵌套实体取最外层边界，这两条规范在这里靠手速和肌肉记忆兜底。
3. Comment 记录分歧：遇到「不典型肺炎」这种争议实体，在 span 上挂一条 Comment，写明你的判断依据，管理员统一裁定后在标注规范里补一条。

质量闭环：协作分工与自动预标注

分工在 Members 页面完成：添加标注员账号，角色设为 Annotator，按「每人 200 份病历」这类粒度分派。进度不用追着问，Statistics 页面看每人完成量即可。

一致性是医疗 NER 的命门。让两组人标同 50 条重叠样本，Kappa 系数低于 0.85 就先停手：拉出分歧最大的标签（通常是 DRUG 和 TREATMENT 的边界），回到标签描述补细则，校准后再继续。这一步省下的时间，远多于后期清洗数据的时间。

省时间的第二块来自自动预标注。把 5 万+ 医学术语整理成词典，配置 auto-labeling 模板（见 docs/advanced/auto_labelling_config.md，配置入口在 backend/auto_labeling/），系统先对命中术语做预标注，人工只做校对和修正。按经验这条路能省掉约 60% 的纯手动标注时间，而且预标注质量直接决定了你团队的起点高度。

落地：导出可训练数据集

标注收尾后，Dataset 页面 Actions → Export Dataset，格式选 JSONL。下游训练真正依赖的是三个字段的对齐：text原文、labels（[start, end, 标签]的 span 列表）、meta元数据（见 backend/data_export/）：

{"text": "患者因持续性胸痛3天入院，诊断为急性心肌梗死", "labels": [[3, 8, "SYMPTOM"], [13, 19, "DISEASE"]], "meta": {"case_id": "C12345"}}

对接下游一步到位：

from datasets import load_dataset ds = load_dataset("json", data_files="clinical_ner.jsonl")

配合 BioBERT 这类医疗预训练模型做 token 级映射，就可以直接进训练循环。

从建项目、定标签、导数据、标注到导出，这条链路一周内可以跑出一个可复用的临床数据集。进阶方向两个：对接医院 HIS 接口自动化采集病历，以及把现有标注结果训成预标注模型，经 auto-labeling 回灌新项目。

【免费下载链接】doccanoOpen source annotation tool for machine learning practitioners.项目地址: https://gitcode.com/gh_mirrors/do/doccano