标签之前：数据集构建如何塑造临床文本中的自杀倾向检测

背景

在临床自然语言处理（Clinical NLP）领域，随着电子健康记录（EHR）数据的日益普及，研究人员越来越倾向于利用这些结构化与非结构化混合的医疗文档来检测自杀行为。传统的观点往往将临床文档视为比社交媒体数据更可靠的“地面真值”（ground truth），认为医生在病历中的记录具有更高的客观性和权威性。

然而，这种将临床文本直接等同于事实真相的假设存在巨大的盲区。临床文档并非纯粹的自然记录，而是经过医疗体系、行政规范、临床判断以及数据标注流程多重过滤后的产物。当研究者直接使用这些带有标签的数据集训练模型时，他们实际上是在学习一种特定的、被操作化定义的“自杀倾向”，而非自杀行为本身的复杂现实。

本文基于 arXiv 上发表的论文《Before the Labels: How Dataset Construction Shapes Suicidality Detection in Clinical Text》，深入剖析了 ScAN 数据集（基于 MIMIC-III 临床笔记构建）的构建过程，揭示了数据集标签背后隐藏的假设、偏见以及局限性。

核心内容

1. 临床 NLP 的“地面真值”迷思

文章开篇指出，当前临床 NLP 研究普遍存在一种认知偏差：认为 EHR 数据中的自杀相关记录是客观事实。作者反驳了这一观点，认为这种框架掩盖了一个关键问题：基于 EHR 的自杀倾向数据集实际上编码了一种特定的“自杀倾向操作化定义”（operationalization of suicidality）。

这种定义并非自然形成，而是由以下因素共同塑造的：

• 数据作者：谁在写病历？他们的临床视角是什么？
• 片段边界：如何界定一次“自杀事件”或“自杀念头”的起止？
• 歧义解决：当文本表述模糊时，标注者或系统如何做出判断？

2. ScAN 数据集的案例研究

为了具体说明上述观点，作者以 ScAN 数据集为例进行了深入分析。ScAN 数据集是从 MIMIC-III 数据库中的临床笔记构建而成的，广泛用于自杀风险预测模型的研究。

数据治理与队列选择

ScAN 的构建受到严格的治理约束。其队列选择主要基于 ICD（国际疾病分类）代码。这意味着，只有那些在诊断编码中被明确标记为自杀相关（如自杀企图、自杀意念）的患者才会被纳入。这种方法忽略了大量在文本中提及自杀但未在结构化诊断字段中编码的病例，导致数据存在严重的选择偏差。

单标注者标签与医院停留级别聚合

在标注过程中，ScAN 采用了单标注者（single-annotator）模式，即由单一人员对文本进行标签判定。此外，标签通常聚合到“医院停留”（hospital-stay）级别，而非更细粒度的时间点或具体语句。这种粗粒度的聚合方式导致：

• 信息丢失：无法区分自杀念头出现的具体时间点和语境。
• 主观性放大：单一标注者的判断标准可能无法覆盖临床文本的多样性，且缺乏多人交叉验证。

标签背后的假设

通过上述构建流程，ScAN 的标签反映了以下隐含假设：

1. 自杀倾向是临床医生记录的判断：标签反映的是医生“认为”患者有自杀风险，而非患者“实际”有自杀风险。
2. 自杀倾向是有边界的片段：将自杀念头视为一个可以明确界定起止的事件，忽略了其连续性和波动性。
3. 意图可被可靠推断：假设通过书面文档可以可靠地推断出患者的自杀意图，忽略了语言表达中的不确定性。

3. 语言学分析：标签下的异质性

作者对具有相同标签的临床文本进行了语言学分析，发现即使标签一致，其背后的临床框架也存在显著差异，主要体现在以下三个方面：

• 时间性（Temporality）：有些文本描述的是过去的自杀企图，有些是当前的念头，有些则是未来的计划。相同的标签无法区分这些时间维度的细微差别，而这对风险评估至关重要。
• 否定（Negation）：临床文本中大量使用否定词（如“无自杀意念”、“未提及自杀”）。简单的关键词匹配或粗粒度标注容易混淆肯定与否定语境，导致模型学习到错误的关联。
• 不确定性（Uncertainty）：医生在记录时经常使用模糊语言（如“可能”、“疑似”、“患者声称”）。这些不确定性在标签中被抹平，导致模型无法区分“确定的风险”和“疑似的风险”。

关键要点

• EHR 数据并非客观真理：临床文档是经过医疗体系、行政规范和临床判断过滤后的产物，不能直接视为自杀行为的“地面真值”。
• 数据集构建决定模型认知：ScAN 等数据集的构建方式（ICD 队列选择、单标注者、粗粒度聚合）决定了模型学习到的“自杀倾向”是一种特定的、受限的操作化定义。
• 标签掩盖了临床异质性：相同的标签下隐藏着在时间性、否定语气和不确定性表达上截然不同的临床文本，简单的标签化处理丢失了关键语义信息。
• 隐含假设需被审视：临床 NLP 模型隐含地假设自杀倾向是边界清晰的、意图可被可靠推断的，且主要由医生记录决定，这些假设在现实中往往不成立。
• 方法论反思：在解释模型结果或将其应用于临床决策之前，必须首先审查数据集构建中嵌入的假设，而非盲目信任标签。

意义与影响

对研究范式的挑战

这篇文章对当前临床 NLP 研究范式提出了根本性的挑战。它提醒研究者，数据集不仅仅是数据的集合，更是社会、行政和临床实践的产物。如果忽视数据集构建过程中的偏见和假设，模型可能会学习到这些偏见，从而在真实世界应用中产生误导性的结果。

对临床应用的警示

对于旨在开发自杀风险预警系统的临床 NLP 应用，本文的结论具有极高的警示意义。如果模型基于 ScAN 这样的数据集训练，它可能无法准确识别那些未被编码在 ICD 中、或表述为不确定性的自杀风险。这可能导致高风险患者被漏报，或低风险患者被过度干预。

未来研究方向

1. 细粒度标注：未来的数据集构建应转向更细粒度的标注，如句子级或时间级，以捕捉自杀念头的动态变化。
2. 多标注者验证：引入多标注者机制，以减少单人标注的主观偏差，并量化标注者间的一致性。
3. 语言学特征工程：在模型设计中纳入对时间性、否定和不确定性的显式建模，而非依赖粗粒度的标签。
4. 透明化数据集文档：在发布数据集时，应详细记录其构建过程、治理约束和隐含假设，以便使用者能够批判性地评估模型的适用范围。

总之，本文呼吁临床 NLP 领域从“标签驱动”转向“过程驱动”的研究视角，深入理解数据背后的生成机制，从而构建更可靠、更公平、更有效的自杀风险检测系统。