第23章：心血管应用中的自然语言处理（Natural Language Processing for Cardiovascular Applications）

引言

作者 Amara Tariq（Mayo Clinic 放射科）、Thiago Santos（Emory 大学计算机科学系）与 Imon Banerjee（Mayo Clinic 放射科 + Arizona State 大学计算机工程系）在开篇指出，医疗数据库正在指数级增长，而绝大多数临床信息都嵌在自由文本叙述中——例如医师与护理记录、放射与病理报告，因为自由文本是记录临床事件、便于医疗团队沟通的最自然、最具表达力的方式。自然语言处理（natural language processing, NLP）系统可以把这类数据转化为价值：换言之，开发能够理解自然语言数据的计算模型，有助于解锁这座对推进医疗保健具有极高价值的数据金矿。然而，从自由文本临床叙述中抽取定向信息是一项极具挑战性的任务，这源于自然语言本身的歧义与微妙性，以及不同医务人员在句法风格上的差异与不同机构在模板上的差异。NLP 系统针对临床叙述通常执行四类任务：句法处理（如 tokenization、句子检测）、信息抽取（将非结构化文本转换为结构化形式）、语义捕获（为单个词或词组赋予概念）以及关系检测（为概念之间赋予关系）；实现路径既可以基于定义的语言规则与领域知识，也可以基于从领域数据集中学习。作者强调，将临床叙述转化为结构化格式的价值极为巨大，因此 NLP 在医疗中的应用是自 1970 年代至今最活跃的计算研究方向之一。

接着作者指出，信息抽取（information extraction, IE）——即自动从文本中抽取并编码相关临床信息——是 NLP 最具代表性的应用之一，也是把自由文本数据用于临床决策支持、质量改进或临床与转化研究的关键组件。例如：从科学文献中抽取基因-疾病关系、从临床记录中抽取患者合并症或用药史、从大型医院数据库中抽取患者特征（以辅助统计分析与临床试验的自动化队列选择）。心血管文本方面的 NLP 文献已相当丰富：例如 Pandey 等人 [54] 的深度学习算法可以从心衰患者的胸腹 CT 报告中识别 14 种不同的影像学发现；Lakhani 等 [37] 用基于规则的方法从放射学报告中识别关键结果；Dublin 等 [19]、Rubin 等 [60]、Schuemie 等 [62] 则用基于规则的 NLP 方法自动完成患者临床记录的队列选择。除临床记录外，放射与病理报告是推动机器学习医学应用的丰富资源——这是因为它们背后的影像数据持续累积与共享；但它们的非结构化自由文本形态带来了显著挑战，需要稳健的抽取策略来"挖掘"这些大型自由文本数据集以检验假设。多种标准 NLP 方法（基于规则、基于词典、监督学习）已被成功应用于放射与病理报告，以抽取信息或执行自动报告分类、按照预定义编码标准赋标签 [6, 7, 9, 47, 56, 66]。这种自动化的"打分/打标"不仅可以通过给医学影像大规模打上来自放射报告的精确标签来支撑机器学习研究，还能在降低评定者间变异性的同时产出精确的诊断评分。

作者最后指出，NLP 还在临床结果预测中扮演关键角色，这对临床治疗流程（clinical treatment processes, CTPs）的医疗服务交付至关重要，对患者与医务人员都有意义。此前的研究通常用先验知识（如人口学因素或患者体征）在 CTPs 早期（如入院阶段）估计临床结果；心血管相关应用包括死亡风险预测 [22]、治疗策略预测 [31] 等。尽管临床记录蕴含丰富信息，但出于 IE 的复杂性，预测任务很少纳入临床记录中的信息。近来一些研究采用复杂的语义 NLP 模型来利用时间序列临床就诊记录的力量，相较于仅使用结构化数据，取得了显著的性能提升 [4, 32, 64]。作者把本章其余部分组织为："NLP 方法学"小节介绍 NLP 方法的时间线与基本原理；"现有 NLP 方法与应用"小节呈现自 1990 年代至 2020 年间心血管领域 NLP 工具的系统综述；最后在"结论"小节总结当前进展并展望未来方向。

NLP 方法学

作者指出，自然语言处理最早在 1950 年代初被引入，作为通向机器翻译的研究步骤之一，由 John Hutchins 与 IBM 领衔 [33]。图 23.1 呈现了 NLP 方法在通用、临床、特别是心血管应用中涌现的整体时间线。NLP 直到 1970 年代初才进入医疗领域，最早的工作之一来自 R. Wong 等人 [72]——一个用于外科病理报告诊断语句的自动解析流程，被用作医院的临床决策支持。近十年后，NLP 才出现在心血管专门任务上：K. Canfield 等人用 NLP 与统一医学语言系统（Unified Medical Language System, UMLS）创建了超声心动图患者数据库。在后续各小节中，作者简要介绍了核心方法及其发展。

基于规则与智能系统。 作者将基于规则的 NLP 定义为不需要训练或学习阶段的技术（图 23.2a）：决策基于领域专家依据先验知识预定义的规则。例如，从文本中识别人物出生日期的规则为 {((( [{ PERSON } ]) /was/ /born/ /on/ ([ { DATE } ]) ) => "DATE_OF_BIRTH"}，把这条简单规则应用到维基百科文本上即可自动识别数千位名人的出生日期。正则表达式是基于规则 NLP 技术的重要组成部分，用于描述感兴趣文本的特征或要从文本中抽取的字符串。生物医学数据中基于规则 NLP 的良好范例见 Chen、Hinote 与 Chen [12]——用基于规则的 NLP 处理共指消解（co-reference resolution）。回顾历史，"智能系统"以基于规则的形式最早出现在 1950 年代末，由 Simon 与 Newell 借助他们的数学定理证明器——Logic Theorist [27]——提出，他们用符号逻辑与基于规则的混合创建了能够证明给定定理的程序，这或许是第一个模拟人类解决复杂问题能力的程序。随着基于规则系统的广泛使用，它很快被引入医疗领域：1959 年 Ledley 等人的研究展示了计算机与符号逻辑如何构建基于规则的诊断系统，依据患者症状缩小诊断选项 [39]。尽管基于规则与智能系统在 1950 年代末才被首次引入，但早在 1978 年就已被用于心血管专门任务——Hudson 等人开发了能在急诊室中辅助医生进行胸痛临床决策的专家系统（Hudson, L. Donna, & Estrin, 1978）；与 Ledley 等 [39] 的研究类似，该系统可以根据患者症状与状态缩小诊断选项。

机器学习（ML）。 作者将基于机器学习的 NLP 定义为所有包含学习机制、可从可用数据训练出来的文本处理算法（图 23.2b）。机器学习是 1950 年代末就已极具前景的领域：第一个广为人知的项目来自 Frank Rosenblatt 1958 年所创造的感知机（perceptron）——一种模拟人类思维过程的人工神经网络 [59]。受限于当时的计算资源以及机器学习本身的发展与理解，直到 1990 年代末，医学研究才开始深入挖掘机器学习的潜力。最早的工作之一来自 William R. Hersh 等 [30]——用机器学习与 NLP 从急诊医师的听写报告中预测创伤登记流程代码，他们仅依据急诊医师最初 24 小时内完成的听写报告中的词与短语来预测实际执行的操作。几年后，I. Colombet 等 [15] 提出用多元机器学习方法预测心血管疾病风险——这是一项极为复杂的任务。机器学习方法大致可分为两类：（1）监督学习与（2）无监督学习。监督机器学习算法学习从输入 x 到输出 y 的映射函数 f(x)，又可进一步分为回归与分类算法。分类算法从给定标签集合中预测离散标签，如 {恶性、良性} 或 CAD-RADS 评分集合 [16] {0,1,2,3,4,5}；常用分类算法包括线性判别器、随机森林、最大熵、支持向量机（SVM）、高斯朴素贝叶斯（NB）等 [29]。回归算法则预测连续输出值，如医疗成本的美元金额；线性回归是最基本的回归算法，更复杂的方法包括对训练算法系数施加某些限制的正则化方法，如 ElasticNet [77]。相比之下，无监督机器学习算法不需要带标签的训练数据，而是让模型自行从数据中发现模式与信息；聚类算法（如 K-means）是无监督学习的一个例子，它按照某种相似性度量识别训练数据中的相似项目群 [29]。重要的是，要让任何自由文本输入（如放射报告）进入机器学习算法，必须先将其转化为合适的数值表示，即特征向量。词袋（Bag-of-words, BoW）是最基本的特征化技术：从一组训练文本中提取常用词构成词汇表，每个文本被转换为一个 N 维向量，每个分量表示该词在给定输入文本中是否出现或出现次数；这种方法完全忽略词序，不同语义的词被视为彼此无关的不同词。诸如 Word2Vec [68] 等更先进的特征化技术已被设计出来，可以同时考虑词序与不同词之间的语义相似性。

深度学习（DL）。 作者将深度学习定义为机器学习算法的一类（图 23.2b），其架构由若干非线性的隐藏层组成，包含数百万个可调参数；训练如此复杂的模型需要大型训练数据集与海量计算资源。尽管"深度学习"一词最早由 Rina Dechter 在 1980 年代提出，且 Yann LeCun 等人在多层感知机与卷积的组合（如用于识别手写邮政编码的工作 [38]）上做过一些早期工作，但作者认为深度学习的真正兴起与重大突破是在 2000 年代后期。随着计算机技术、处理速度与更廉价的计算硬件的进步，深度学习兴起并填补了机器学习本身无法处理的空白。这一新纪元最重要的一步来自 Geoffrey Hinton 等人 2009 年的工作 "Deep Belief Networks for phone recognition"——他们创造了一种新的模型架构，称为受限玻尔兹曼机（restricted Boltzmann machines）[45]；该模型由多个隐藏层组成，每层包含若干潜在变量，每层与下一层相连，但层内节点彼此不相连。自 2010 年以来，深度学习在包括医疗领域自然语言处理在内的各类应用领域取得巨大发展。Z. Liang 等 [74] 2014 年开展了 NLP 中最早的深度学习工作之一，目标是将深度信念网络应用于临床记录的无监督文本特征抽取，再训练一个更简单的监督分类模型预测诊断（ICD-10 编码）。几年后，2016 年 E. Choi 等 [20] 开展了心脏病学任务上最早的深度学习应用项目之一——探索用循环神经网络建模 EHR 中事件之间的时序关系以预测心力衰竭（heart failure, HF）的初诊。Gridach 等 [26] 则用双向长短期记忆网络（bidirectional LSTM）从科学文献等自由文本中抽取实体。

现有 NLP 方法与应用

为全面捕捉心血管领域所有相关的 NLP 文献，作者采用了三条搜索臂：文献数据库、顶级期刊以及 snowballing 检索。首先在 PubMed、Google Scholar 与 Web of Science 三大数据库中检索 1995 年至 2020 年 9 月的文献，搜索关键词为 [((cardiology) OR (cardiac) OR (cardiovascular) OR (mild cardiac) OR (heart) OR (coronary)) AND ((nlp) OR (Natural language processing))]。第二条搜索策略是在生物医学信息学领域影响因子排名前 20 的期刊以及心脏病学与心血管医学领域影响因子排名前 10 的期刊（依据 2020 年 Google Scholar Metrics）中检索。此外，作者还进行了手工补充检索（snowballing），以调研 NLP 在心脏病学与心血管医学领域应用的文献。

信息抽取研究现状

作者表 23.1 列出了自 1990 年代中期起专注于临床文本信息抽取任务的 32 项相关既往工作，呈现发表年份、目标任务、方法学与标准统计指标下的性能。该领域早期的工作仅基于规则的 NLP 技术，热门应用包括从心电图（ECG）报告、医学文献、临床记录中抽取心脏异常 [65] 以及心脏解剖实体之间的关系 [5, 14, 18, 58]。Pakhomov、Shah、Hanson、Balasubramaniam 与 Smith [52] 通过在 EMR 的自由文本部分应用基于规则的 NLP 技术，检测心脏患者中阿司匹林的使用情况。Hamon、Graña、Raggio、Grabar 与 Naya [28] 描述了一项大规模研究，通过在 Medline 库已发表文献上应用基于规则的技术，抽取了超过 22,000 个风险因素与健康状况之间的关系。同样，全基因组关联分析也基于 EMR 数据建立，涉及用药、吸烟、合并症等因素 [36]。即使到 2012 年，基于规则的技术（如正则表达式与字符串匹配）仍被用于美国退伍军人事务部（VA）的心电图报告，以抽取心力衰竭的风险因素 [24]。同一团队的作者此后又发表了另一项工作 [25]——在 VA 同一数据上除基于规则的技术外还使用机器学习进行文本序列标注，以识别心力衰竭治疗过程中的质量指标。Byrd 等 [10] 用基于规则的 NLP 在 EMR 数据上抽取所有提及 Framingham 标准的内容来提取心力衰竭因素。

近年来，Yang 与 Garibaldi [73] 在 296 名患者的 1304 份医疗报告中使用基于规则与机器学习相结合的混合方法抽取风险因素。Torii M. F. 等 [69] 描述了一种类似的混合风险因素抽取与分类模型，从 VA 数据的 ECG 报告中抽取左心室射血分数。Urbain 等 [70] 用命名实体识别（named entity recognition）从临床记录中抽取风险因素。Liao 等 [42] 提出针对糖尿病、类风湿关节炎与炎症性肠病三种不同慢性病队列的冠心病（CAD）筛查算法，其中用 NLP 技术从自由文本记录中抽取信息。Wang 等 [71] 在美国缅因州医疗记录的临床记录中用基于规则的 NLP 识别充血性心力衰竭（congestive heart failure, CHF）病例。Afzal 等 [1] 提出基于规则的 NLP 方法来自动化 PAD（外周动脉疾病）识别的图表审查流程。Afzal 等 [3] 用基于词典的关键词抽取在 Mayo 诊所的 1569 份临床报告中对同一疾病进行监测。Topaz 等在心脏患者的 EMR 数据上执行了类似的伤口信息抽取。基于规则的 NLP 抽取技术还被用于基于 VA 数据的 ECG 报告扩充心脏病相关术语词汇表 [55]。近年来，更复杂的基于规则的 NLP 系统与工具（如统一医学语言系统 UMLS¹ 与 MedTagger [43]）被开发并部署用于信息抽取。MedTagger 被用于从数万份临床记录中抽取 PAD 相关概念 [2]。cTAKES（Clinical Text Analysis and Knowledge Extraction System）被用于抽取相关概念以通过临床叙述预测 CAD [8]。2019 年，Shah 等 [63] 开展了一项研究，调查英国初级医疗记录中心肌梗死与死亡的死亡原因，该研究使用解剖学基础模型（Foundation Model of Anatomy, FMA）将自由文本 EMR 中的诊断映射为结构化格式。Moon 等 [46] 在肥厚型心肌病（HCM）患者的 EMR 上检测心源性死亡风险因素——如 HCM 家族史、过去 5 年内的晕厥事件等。

将深度学习应用于信息抽取是另一现代趋势。流行的 transformer 模型 BERT（Bidirectional Encoder Representations from Transformers）被 Datta 等 [17] 用于为来自胸 X 线、脑 MRI 与 Babygram 等放射报告的自由文本序列打标签，以抽取生物医学实体之间的空间关系，空间关系的一个例子是 "Disorder – extends into – Anatomical Location"。Pandey 等 [54] 用卷积神经网络（CNN）从胸腹部放射报告中抽取预定义的影像学发现。

分类研究现状

表 23.2 总结了针对心血管医学领域 NLP 报告/记录分类的既往工作，自 2005 年以来共发现 8 项相关发表。Pakhomov 等 [51] 在临床记录上用朴素贝叶斯与多层感知机等机器学习分类器，将患者分类为适合或不适合参加充血性心力衰竭研究的候选对象。Castilla 等 [11] 将葡萄牙语的胸 X 线报告通过机器翻译模型翻译为英语，以便应用 MedLEE 来识别是否存在支持装置的患者。Torii M. F. [69] 基于心脏疾病风险因素识别精度，构建以这些因素为特征的 CAD 检测分类器，使用的 i2b2/UTHealth 挑战赛数据。纽约心脏协会（NYHA）功能分类系统被心脏病学家用于依据体力活动受限程度对心衰患者分级，作者指出 Zhang 等 [75, 76] 已用来自 EMR 的患者记录自动为患者分配该分类，依赖基于机器学习的分类器如 SVM 与随机森林分类器。

近年来，深度学习技术因能构建精密的分类模型而在心脏病学相关文本上越来越流行。Li 等 [41] 用 CNN 与双向 LSTM 构建逐句出血事件检测器，用于 EMR 中记录的临床记录。Spandorfer 等 [67] 构建了另一个逐句深度学习分类器，将非结构化 CT 报告映射到一个模板，每一句都被打上标签（如肺动脉、肺与气道、胸膜、纵隔与淋巴结、心血管、软组织与骨骼、上腹部、线/管），以标识该句描述的信息类型。Ong 等 [49] 在 CT、MRI、CTA 或 MRA 等放射报告文本上用循环神经网络（RNN）检测缺血性脑卒中的存在、位置与急迫性。

预测研究现状

表 23.3 列出了多年来基于心脏病学相关文本所形成的预测问题。Chiang 等 [13] 用基于规则的预测模型预测出院前的医疗质量指标（再灌注率、β-阻滞剂、降脂药物的使用），与专家相比达到合理的一致性。Santelices 等 [61] 开发了决策支持系统预测哪些患者可以脱离心室辅助装置。Ramirez 等 [57] 从临床记录中基于其对区间值的预测能力识别心电图间期的调节因素。Mahajan 与 Ghani [44] 用简单的机器学习分类器预测心衰患者再入院风险，使用 EMR 数据中结构化与非结构化信息（如临床记录）。Hu 等 [31] 用基于机器学习的分类器 XGBoost 基于 EMR 中的自由文本记录预测适合接受心脏再同步化治疗的患者。Fernandes 等 [22] 在 2012 至 2016 年间葡萄牙急诊科（ED）接收的 235,826 名患者上开展了大规模研究，使用 ED 收集的数据预测死亡率与心肺骤停。

Meta-分析与结论

作者对所综述文章进行了多维 meta-分析（图 23.3）：任务维度（图 a）显示，从临床文本的信息抽取（IE）是心血管 NLP 研究最热门的方向，占 53.33%；算法维度（图 b）显示，基于规则（53.70%）与机器学习（33.33%）合计占比超过 85%，而序列深度学习模型（12.96%）最近才被采用，主要用于生物医学实体之间的空间关系抽取与胸腹放射报告（X 线、CT）的预定义影像学发现分类；数据维度（图 c）显示，最多的 NLP 研究（43.59%）基于一组预筛选的临床叙述，其中已融入专家意见；次之是基于全部临床记录（28.21%）的研究，然后是基于选择性临床记录（12.82%）与放射报告（7.69%）的研究，而基于研究论文（如 Medline）的仅占 7.69%。作者还指出，尽管在不同任务下最终性能存在差异，但许多发表在使用简单 regex 规则的异常检测中达到了 >90% 的精度（表 23.1）。混合模型（结合机器学习与基于规则的系统）也是开发 NLP 系统的非常流行的架构。给定处理不同文档风格的自由文本临床叙述的难度，使用 NLP 进行预测仍是具有挑战性的领域，相关工作有限。开源临床数据集（2014 i2b2/UTHealth 挑战赛数据集与 NIH 胸 X 线数据集）的使用也产生了大量有趣的发表。

在结论部分，作者总结说：本章从高层次介绍了基本的 NLP 方法学，并对自 1990 年代以来心血管领域已发表的 NLP 模型进行了系统综述；在方法学、所使用的数据集与性能三方面对 47 篇心血管领域的 NLP 发表进行了基准比较；若干 NLP 系统已在信息抽取与分类任务上达到人类水平，包括影像学发现与心血管结果。尽管深度学习模型（RNN、CNN、transformer）最近（自 2012 年起）已成为心血管应用 NLP 任务最流行的架构，但传统的基于规则系统仍被广泛使用。总体而言，该领域仍通过实现高效算法（如 transformer 模型、CNN）以及大型开源去标识临床数据集（如 i2b2）持续推进，这或可克服训练数据限制并成为引入新的先进深度方法的关键。

本章个人批注

这是一份典型的"任务综述"型章节——结构是 Intro → 方法学三件套（规则/ML/DL）→ 文献系统综述（按"信息抽取/分类/预测"三任务切分）→ Meta 分析 → 结论。读完以后我有几条比较深的印象：

章节是"心脏 × NLP"的入门章节，但"心血管"在 NLP 文献中其实只是一个细分应用场景。作者实际上综述了 47 篇 NLP 发表（信息抽取 32 篇 + 分类 8 篇 + 预测 6 篇），并辅以图 23.3 的 meta 分析；这等于告诉读者"过去 30 年 NLP 在医学上做了什么、心脏占了多少份额"。从图 23.3c 看，心血管相关 NLP 的数据来源分布偏向"全部临床记录"（28.21%）与"选择性临床记录"（12.82%），而"研究论文"（7.69%）与"放射报告"（7.69%）的占比相对较低——这是与放射学导向的 AI 章节（如 ch13-19）显著不同的画像。
方法学三件套的呈现顺序是"规则 → ML → DL"，恰好对应过去 60 年的范式演化。但作者坦率承认：尽管 DL 自 2012 年起在 NLP 任务上成为最流行架构，传统的基于规则系统仍被广泛使用——这一句在结论中尤为关键，因为它对所有"DL 取代 ML/规则"的过度乐观叙事做了校正。这一点其实值得与 ch9（Biostatistics）以及后续 ch40-48（胸部/心血管其他应用）的具体 NLP/ML/DL 章节对照阅读。
Table 23.1 的 32 篇抽取文献构成了"心血管 NLP 的元历史"。从 1998 年 Sneiderman 等 [65]、Bean 等 [5] 对解剖学空间关系的早期探索，到 2010-2012 年间 Pakhomov 团队对阿司匹林、心衰、Framingham 标准的规则式抽取，再到 2019-2020 年的深度学习应用（BERT + SpatialNet [17]、CNN 用于 CT 报告 [54]），整个跨度近 25 年。Table 23.2 的 8 篇分类文献则呈现了 NYHA 分类的两项张氏工作 [75, 76] 与急诊胸片翻译 [11]、CNN-LSTM 出血检测 [41]、RNN 缺血性卒中检测 [49] 等几个标志性进展。Table 23.3 的 6 篇预测文献则最薄——这与 meta 分析的结论一致："使用 NLP 进行预测仍是具有挑战性的领域，相关工作有限"。
i2b2/UTHealth 2014 是这一章反复回响的"金本位"数据集。表 23.1 与 23.2 至少有 5 项工作（[69, 70, 73, 75, 76]）直接基于该数据集或其衍生版本。这对后续想要复制或扩展该领域研究的人是一个非常有价值的指针——基准数据集已经存在，问题不在于"有没有数据"而在于"在基准上还能挖出什么新角度"。
NLP 方法的"三件套"叙述是普适性的——与本书前后章节的呼应比较微妙。ch2（Demystifying AI Technology）已经讲过规则/ML/DL 三阶段；ch3（AI Algorithm Development）讲过监督/无监督；ch9（Biostatistics）讲过 NLP/ML 在心血管风险建模中的角色。本章的特殊贡献是把 NLP 与心血管文本（自由文本报告与记录）具体场景对接——所以"心电图报告的抽取"、NYHA 分级从 EMR 抽取"、心脏再同步治疗的患者选择从 EMR 抽取"等场景是本章独有的实用细节。这与 ch18-19 的"AI 嵌入 CT/MR 系统"形成"软（文本）/硬（影像）"的双线呼应。
方法学小节对规则式 NLP 的重视让我印象深刻。作者专门用一段讲正则表达式与符号逻辑的历史——从 1954 年的 Hutchins/IBM Georgetown 翻译实验、1956 年的 Simon/Newell Logic Theorist、1959 年的 Ledley 诊断系统，到 1978 年的 Hudson 胸痛急诊专家系统。这条历史线索与 ch2 的"AI 百年"叙述（[27, 39] 等相同引用）形成回响，但本章把焦点放在 NLP 起源与医学 NLP 起点上——这是同一历史的不同切片。
本章缺失的一环是"现代 LLM/基础模型在心血管文本上的应用"。作者综述截止于 2020 年 9 月，正是 BERT 在 2018-2019 年兴起之后、GPT-3 与 ChatGPT 在 2022-2023 年大爆发之前；所以本文完全没涉及 LLM、prompt engineering、in-context learning、foundation models for EHR 等近三年的热点。这是综述时效性导致的固有局限，但读者需要意识到：阅读本章时，要把"DL 是 transformer/RNN/CNN"理解为一个 2020 年的快照，而非 2026 年的现状。

与上下章的衔接（一段话）

本章放在 ch22（Cardiac CT Guidelines）之后、ch24（Coronary Calcium Evaluation）之前，处于 Part III "AI：心脏应用"的中段。ch22 从指南-政策层面讨论 AI 如何辅助 CCT 指南的制定与临床应用；本章则把视角切到"文本"维度——讨论 AI 如何从自由文本临床记录与报告中抽取信息、分类、预测。两章共同构成 Part III 起始阶段的"AI × 文本/知识"双子题：ch22 是"AI 用于过滤科学文献"，ch23 是"AI 用于过滤临床叙述"。本章对前面章节的回响是：方法学三件套（规则/ML/DL）呼应 ch2 的总体技术景观；meta 分析中的"开源数据集（i2b2/UTHealth、NIH Chest X-ray）"则与 ch4（数据准备）、ch5（数据存储与云流水线）、ch8（生物样本库）形成"数据基础设施"层面的连续性。下一章 ch24（van Velzen 等）从 NLP 跳出、回到影像本身，专门讨论 AI 在冠状动脉钙化评分（CAC scoring）中的应用——从 CT 影像的钙化检测、量化到 Agatston/体积/质量评分的自动化。这是 Part III 从"文本/知识"切回"影像"的标志性转折，也预示了 ch25-27（斑块、CAD-RADS、CT-FFR）将以"影像分析 + 决策支持"为主轴展开。本章在整本书中的角色是"为 Part III 中段的影像导向章节提供一个 NLP 维度的旁支"——它不是必读章节，但对想要理解"AI 如何吃透医疗数据"的读者是不可或缺的一环。