文章提出了一种基于自然语言处理（NLP）的自动化正畸诊断系统，旨在从牙医撰写的自由格式医疗证书中提取患者问题并生成治疗优先级列表。通过标注990份医疗证书，将任务分解为多标签分类（问题提取）和学习排序（治疗优先级）两个子任务。实验结果显示，系统在问题提取任务中达到0.585的F1分数，在治疗优先级排序中与人工评估的相关系数为0.584。该系统为临床实践提供了高效、标准化的诊断支持工具，并计划未来扩展至文本简化和多模态数据处理。
正畸诊断与治疗规划需要结合专业知识和临床经验，但经验不足的牙医可能因判断失误影响治疗效果。文章提出一种基于自然语言处理的AI系统，通过分析牙医撰写的自由格式医疗证书，自动提取患者问题并生成治疗优先级列表，旨在降低人为错误风险并提升诊断效率。
系统将医疗证书中的患者问题归纳为423个预定义类别，转化为多标签分类任务。采用两种文本向量化方法：词袋模型（BoW）和通用句子编码器（USE）。实验表明，BoW模型在F1分数（0.585）上优于USE（0.536），因其对非结构化文本（如项目符号和不完整句子）更具鲁棒性。
基于提取的问题列表，系统通过学习排序模型（SVM-rank）确定治疗优先级。特征向量包括BoW、类别独热编码（OoK）和USE编码。USE模型表现最佳（Spearman相关系数0.584），因其稠密向量能更好捕捉语义信息。
系统整合多标签分类与排序模型，形成完整诊断支持流程：1）输入自由文本医疗证书；2）提取问题并分类；3）生成优先级排序的治疗方案。数据集包含990份证书，按8:1:1划分为训练、验证和测试集。
在测试集上，问题提取任务F1分数为0.585，治疗排序任务相关系数为0.584，均超过人工评估一致性阈值（0.4）。局限性包括数据集规模较小（仅990份）和未整合影像等多模态数据。未来计划通过领域自适应（如BERT微调）和文本简化技术进一步提升实用性。
文章提出的NLP系统能够有效自动化正畸诊断流程，为临床实践提供标准化支持。其模块化设计允许扩展至其他医疗文本处理任务，如患者报告生成和多模态数据分析，具有广泛的临床应用潜力。