我有一个大的CT扫描结果和印象数据库。我试图建立一个正则表达式，搜索一个整数或浮点数，后面跟着"mm"，这是相邻的单词"结节"前面或后面。这是目前为止我用到的正则表达式:
nodule_4mm_size = "(?s).*?([0-4]*.*[0-9]+s*[mM]{2})[wW]{0,24}[Nn]odule|(?s)[Nn]odule[wW]{0,24}.*?([0-4]*.*[0-9]+s*[mM]{2})”
然而，我需要确保这些发现不是在先前或先前的测量之前出现的。放射科医生参考以前的扫描结果。所以我试着用消极的眼光看过去，像这样:
(?<!previously measured)?[Nn]odule[wW]{0,24}[^.d]([0-4]s*[mM]{2}|[0-3].[0-9]s*[mM]{2}|4.0+s*[mM]{2})
然而，我不能让它工作。以下面这段话为例。
"例如，最大的结节位于右下方瓣形和当前尺寸为4.4毫米(图像#82，系列3)2011年9月1日测量3.6毫米。"
在这种情况下，我希望正则表达式击中4.4 mm而不是3.6 mm。此外，如果找到多个命中，我希望只保留找到的最大大小。例如
"例如，最大的结节位于右下方瓣形和当前尺寸为4.4毫米(图像#82，系列3)2011年9月1日测量3.6毫米。另见2.2 mm结节。
在这种情况下，我想确保仅识别4.4 mm。
任何帮助都会非常感激。就是不能让这种消极的眼神起作用!谢谢!
我们把它分解一下，保留相关的部分。到目前为止，您有两个选项:
选项1 (其次是"nodule"):
([0-4].d+s*[mM]{2})[sS]{0,24}[Nn]odule
选项2 ("nodule"其次是数量):
[Nn]odule[sS]{0,24}([0-4].d+s*[mM]{2})
你应该知道正则表达式引擎是贪婪的。这意味着[sS]{1,24}将尽可能地匹配，匹配不一定最接近"nodule"的数字。例如,
Pattern: [Nn]odule[sS]{0,24}([0-4].d+s*[mM]{2})
Text: ... nodule measured 1.4 mm. Another 3.2 mm ...
^ ^
| |
matches this second occurence. +----+
要解决这个问题，在量词后添加一个额外的 ? 以使其懒惰。所以，用[sS]{0,24}?代替[sS]{0,24}。
例如，最大的结节位于右下叶，目前尺寸为4.4 mm
这个例子的" nodule "被超过24个字符隔开。你应该增加中间的字符数。可能是[sS]{0,70}?。
所以我试着用消极的眼光看待
lookbehind只断言紧邻某个位置之前的文本。为了避免它，我建议匹配文本"previously measured"，消耗它周围的一些字符。那么，你怎么知道不去考虑这些情况呢?简单，不要制造捕获。所以你会匹配像
[sS]{0,10}previously measured[sS]{0,10}
并丢弃匹配，因为它没有返回任何组。此外，您可以在这里包含不同的异常:
[sS]{0,10}(?:previously measured|previous scan|another patient|incorrectly measured)[sS]{0,10}
如果找到多个匹配项，我希望只保留找到的最大的
你不能用regex这样做。在代码中循环查找最大的。
结果:
有了这些条件，我们有:[sS]{0,10}previously measured[sS]{0,10}|([0-4].d+s*[mM]{2})[sS]{0,70}?[Nn]odule|[Nn]odule[sS]{0,70}?([0-4].d+s*[mM]{2})
检查
的额外条件也许，为了减少误报，以下选项之一会变得有用:
- 不允许在换行符后匹配
- 如果在"
nodule"和数字之间有一个句号，则不匹配。 - 查找接近测量的日期。
两种可能性:
(?<!previously measured )(?<![0-9.])([0-9]+(?:.[0-9]+)?) ?mm
第一次检查"previously measured "是否不在数字前面，第二次检查数字前面是否没有数字或点(否则点后面的4将匹配)。请记住，正则表达式引擎返回左边的第一个结果。
2)使用捕获组:
previously measured [0-9]+(?:.[0-9]+)? ?mm|([0-9]+(?:.[0-9]+)?) ?mm
这个想法是匹配你之前想要避免的。当捕获组1存在时，您就得到了一个结果。
关于最大的数，使用re.findall方法，取之后最大的结果(regex不能解决这种事情)。
如果附近需要nodule字，您可以尝试:
(?:((?<!previously measureds)d+.d+s*mm)(?:[^.?!n]*?)?nodule|nodule(?:[^.?!n]*?((?<!previously measureds)d+.d+s*mm))?)
它将匹配:
- 该结节与以mm为单位的值在同一句中(
[^.?!n]应该防止它，然而像先生、小数点等字会打扰match)，你可以用.+?(DEMO)替换它，但是它可以在句子之间进行匹配 - 值在字模块之前或之后(如果有，按此顺序)
- 值将按组捕获:在- 1之前，在- 2之后，
- 它应该与g和i模式一起使用
其他类似的解决方案是:
(?=((?<!previously measureds)d+.d+ mm)[^.?!]+nodule)|(?=nodule[^.?!]+((?<!previously measureds)d+.d+ mm))
仅基于遍历，它将不直接匹配文本，而是匹配零长度位置，并将值捕获为组。
关于这个问题，我最终使用nltk模块将报告标记为单独的句子。最后一个适用于所有实例的正则表达式是:
nodule_search = "[sS]{0,10}(?:previously measured|compared to )[sS]{0,10}|(d[.,]d+|d+|dd[.,]d+)s*[mM]{2}[sS]{0,40}?[Nn]odule|[Nn]odule[sS]{0,40}?(d[.,]d+|d+|dd[.,]d+)s*[mM]{2}"
所以在这个例子中，我最终没有做一个负向后看，而是做了一个捕获组。
感谢大家的意见。