随着各种医学信息系统在医疗机构中的投入使用,医院出具的诊断报告从纸质报告开始向电子报告转变。在实际应用中,国内的医学信息系统通常将检查描述、结论诊断等内容设置成自然语言的纯文本形式。医生在书写报告时可以比较自由地描述所见的情况,但这样的纯文本在进行检索时就遇到了检索困难和效率低下的问题。对于一些大型的教学、研究型医疗机构,医生经常在做特殊研究工作时需要对检查所见的情况,如一些疾病测量参数、疾病人群进行分类查询与统计。针对这一情况,有必要将这些医学描述信息进行提取处理,将文本中诸如疾病、症状、检查等多方面内容按照标准的医学术语集进行结构化分类,重新填入数据库,供医生、科研人员等进行查询使用,从而为医学研究统计提供有效信息。本文的主要研究了信息提取技术中基于隐马尔科夫模型的命名实体发现方法。针对医疗信息文本的特点,在进行识别之前先对文本进行预处理,采用机械识别和领域专家人工识别的方式将半结构化和非结构化的文本中可以初步识别的医学术语提取,然后在采用基于隐马尔科夫模型的方法来识别命名实体,采用基于过滤束搜索思想改进的Viterbi算法来计算隐马尔科夫模型中最优状态路径,以保证系统运行效率。基于规则的文本结构化,提取实体关系的过程中,通过短语成分组分析和重写规则拆分的方法,将文本信息拆分成片段,用于提取医学命名实体之间的关系。同时参考SNOMED CT术语集的体系架构,构建了一个易于理解和未来扩展的文本结构化框架。利用上述两种技术,针对医学文本研究的具体应用需求,设计开发了一个医学诊断报告自动信息提取系统,可以从医学报告中提取出所需医学术语和其属性描述。