Python 正则表达式否定回顾

Question

我有一个很大的 CT 扫描结果和印象数据库。我正在尝试构建一个正则表达式，该正则表达式搜索整数或浮点数，后跟 'mm' ，它与前面或后面的单词 'nodule' 相邻。到目前为止，这是我的正则表达式：

nodule_4mm_size = "(?s).*?([0-4]*\.*[0-9]+\s*[mM]{2})[\w\W]{0,24}[Nn]odule|(?s)[Nn]odule[\w\W]{0,24}.*?([0-4]*\.*[0-9]+\s*[mM]{2})”

但是，我需要确保这些发现之前没有之前或之前的测量结果。放射科医生指的是以前的扫描。所以我正在尝试消极的回顾，就像这样：

(?<!previously measured)\?[Nn]odule[\w\W]{0,24}[^\.\d]([0-4]\s*[mM]{2}|[0-3]\.[0-9]\s*[mM]{2}|4\.0+\s*[mM]{2})

但是，我无法让它工作。以下面这段话为例。

"For example, the largest nodule which is located in the right lower lobe and currently measures 4.4 mm (image #82, series 3) previously measured 3.6 mm on 09/01/2011."

在这种情况下，我希望正则表达式命中 4.4 毫米而不是 3.6 毫米。此外，如果发现多个命中，我只想保留找到的最大尺寸。例如，

"For example, the largest nodule which is located in the right lower lobe and currently measures 4.4 mm (image #82, series 3) previously measured 3.6 mm on 09/01/2011. Another nodule was found measuring 2.2 mm.

在这种情况下，我想确保只识别出 4.4 毫米。

任何帮助将不胜感激。就是不能让这种消极的回顾工作！谢谢！

Answer 1

两种可能：

1) 使用回顾：

(?<!previously measured )(?<![0-9.])([0-9]+(?:\.[0-9]+)?) ?mm

第一个检查 "previously measured " 是否不在数字之前，第二个检查数字之前是否没有数字或点（否则点之后的 4 将匹配。请记住正则表达式engine returns 左边第一个结果）。

2) 使用捕获组：

previously measured [0-9]+(?:\.[0-9]+)? ?mm|([0-9]+(?:\.[0-9]+)?) ?mm

思路是匹配你之前想避免的。当capture group 1存在时，你就得到了一个结果。

关于最大的数，用re.findall的方法，然后取最大的结果（正则表达式解决不了这种事情）。

Answer 2

如果附近需要nodule字，可以试试：

(?:((?<!previously measured\s)\d+.\d+\s*mm)(?:[^.?!\n]*?)?nodule|nodule(?:[^.?!\n]*?((?<!previously measured\s)\d+.\d+\s*mm))?)

DEMO

它将匹配如果：

结节与mm值在同一句话中（[^.?!\n] 应该阻止它，但是像 Mr.、decimals 等词会干扰匹配），你可以用 .+? (DEMO) 替换它，但是它可以在句子之间匹配
值在单词nodule之前或之后（在这个排序中，如果有是之前的值，先匹配),
值将分组捕获：之前 - \1，之后 - \2，
它应该与 g 和 i 模式一起使用

其他类似的解决方案是：

(?=((?<!previously measured\s)\d+.\d+ mm)[^.?!]+nodule)|(?=nodule[^.?!]+((?<!previously measured\s)\d+\.\d+ mm))

DEMO

仅基于环视，它不会直接匹配文本而是零长度位置，并将值捕获到组中。

Answer 3

让我们分解一下，保留相关部分。现在你有两个选择：

选项 1（数字后跟“nodule”）：

([0-4]\.\d+\s*[mM]{2})[\s\S]{0,24}[Nn]odule

选项 2（“nodule”后跟数字）：

[Nn]odule[\s\S]{0,24}([0-4]\.\d+\s*[mM]{2})

您应该知道正则表达式引擎是 greedy。这意味着 [\s\S]{1,24} 会尽可能匹配，匹配不一定最接近“nodule”的数字。例如，

Pattern: [Nn]odule[\s\S]{0,24}([0-4]\.\d+\s*[mM]{2})

Text: ... nodule measured 1.4 mm. Another 3.2 mm ...
                                          ^    ^
                                          |    |
          matches this second occurence.  +----+

要解决此问题，请在量词后添加额外的 ? 使其成为 lazy。因此，不要使用 [\s\S]{0,24}，而是使用 [\s\S]{0,24}?.

For example, the largest nodule which is located in the right lower lobe and currently measures 4.4 mm

此处的示例中“nodule”由超过 24 个字符分隔。您应该增加中间的字符数。也许 [\s\S]{0,70}?.

So I am trying a negative lookbehind

Lookbehinds 仅断言紧接在特定位置之前的文本。为避免这种情况，我建议匹配文本“previously measured”，并在其周围消耗一些字符。那么，您怎么知道不考虑这些情况呢？简单，不要创建捕获。所以你会匹配类似

的东西

[\s\S]{0,10}previously measured[\s\S]{0,10}

并放弃匹配，因为它没有 return 任何组。此外，您可以在此处包括不同的例外情况：

[\s\S]{0,10}(?:previously measured|previous scan|another patient|incorrectly measured)[\s\S]{0,10}

if multiple hits are found I would like to only keep the largest size found

你不能用正则表达式来做到这一点。循环您的代码以找到最大的。

结果：

有了这些条件，我们有：

[\s\S]{0,10}previously measured[\s\S]{0,10}|([0-4]\.\d+\s*[mM]{2})[\s\S]{0,70}?[Nn]odule|[Nn]odule[\s\S]{0,70}?([0-4]\.\d+\s*[mM]{2})

DEMO

要检查的额外条件

也许，为了减少误报，以下选项之一变得有用：

不允许在换行符后进行匹配。
如果“nodule”和数字之间有句号，则不匹配。
寻找接近小节的日期。

Answer 4

关于这个问题，我最终使用 nltk 模块将报告标记为单个句子。适用于所有实例的最终正则表达式是：

nodule_search = "[\s\S]{0,10}(?:previously measured|compared to )[\s\S]{0,10}|(\d[\.,]\d+|\d+|\d\d[\.,]\d+)\s*[mM]{2}[\s\S]{0,40}?[Nn]odule|[Nn]odule[\s\S]{0,40}?(\d[\.,]\d+|\d+|\d\d[\.,]\d+)\s*[mM]{2}"

所以在这种情况下，我最终没有做负面回顾，而是做了一个捕获组。

感谢大家的意见。

Python 正则表达式否定回顾

Python Regex Negative Lookbehind

python

regex

negative-lookbehind

结果：

要检查的额外条件