深度学习技术正在重塑各个行业,在病理诊断领域,医生以非结构化文本的方式记录病理切片的诊断结果,这些文本中包含许多有价值的信息。属性抽取系统可以将文本结构化,从而提炼出新颖有效的知识,辅助医生诊疗决策。本文以肠癌切片病理诊断文本为研究对象,此文本中需要抽取的属性共十一个,可归纳为文本分类和序列标注两种任务。用于属性抽取的深度学习模型往往需要大量标注样本,本文提出一种基于多任务学习和迁移学习的联合模型,重点解决医学文本样本量少导致的过拟合问题,并基于此模型完成肠癌文本属性抽取系统的设计与实现。一方面,医学文本数据标注的成本较高,导致缺少足够的训练数据,传统模型容易发生过拟合现象,联合模型同时训练多个任务,得益于强大的文本特征提取能力和不同学习任务间的底层编码信息共享,使各个任务得到隐式数据增强,相较于单任务模型,各属性抽取准确率显著提升,达到95%以上;另一方面,来自不同数据源的医学文本在表达方式、描述内容、抽取需求等方面存在差异,需要为每一数据源构建单独的模型,迁移学习可以将源域的模型参数迁移至相关的目标域任务中,在目标域进行网络结构修整和微调,为目标域模型提高了性能。本文结合上述方案和病理科实际需求设计出数据流模型和概念模型,实现了基于B/S架构的属性抽取系统,该系统可从一条肠癌诊断文本中同时抽取出十一个属性,形成规范化报告,同时支持离线知识迁移,此外,肠癌属性抽取系统解决方案对其他医学小样本的应用具有参考价值。