如何在R语言中从文本中仅保留医学相关术语？

我已将一本医学词典下载至R环境中，代码如下：

url <- "https://archive.org/stream/azfamilymedicalencyclopedia/A-Z%20Family%20Medical%20Encyclopedia_djvu.txt"
destfile <- "A-Z_Family_Medical_Encyclopedia.txt" # 本地保存文件名

download.file(url, destfile)

file_content <- readLines(destfile, encoding = "UTF-8")

我想知道是否可以仅保留其中的医学相关术语，移除其他所有内容？
我了解如何去除停用词，示例代码如下：

library(tm)

all_text <- paste(file_content, collapse = " ")

words <- unlist(strsplit(all_text, "\\W+"))

filtered_words <- words[!tolower(words) %in% stopwords("en")]

filtered_text <- paste(filtered_words, collapse = " ")

但是否存在方法可以仅保留医学/健康领域的专业术语？

当然可以，以下是几种适配你现有工作流程的实用方法：

方法一：基于医学术语词表的精准匹配 #

这种方法通过预先定义的医学术语词典筛选目标词汇，适配你已有的分词逻辑：

• 先准备一份权威的医学术语词表（可从医学数据库导出，或使用公开的医学术语集合）
• 将文本分词后，仅保留出现在词表中的词汇

示例代码：

library(tm)

# 示例医学术语词表（可自行扩展或导入外部词表文件）
medical_terms <- c("hypertension", "diabetes", "asthma", "arthritis", "cardiology", "neurology", "diagnosis", "treatment")

# 沿用你已有的文本处理步骤
all_text <- paste(file_content, collapse = " ")
words <- unlist(strsplit(all_text, "\\W+"))
words_lower <- tolower(words)

# 筛选仅匹配医学术语的词汇
medical_only_words <- words[words_lower %in% medical_terms]
medical_only_text <- paste(medical_only_words, collapse = " ")

方法二：用命名实体识别（NER）自动识别医学实体 #

通过自然语言处理工具自动识别文本中的医学实体（疾病、药物、症状、解剖结构等），适合大规模文本的自动化处理：
可以使用udpipe包加载医学专用语料模型，实现精准识别：

示例代码：

# 安装并加载所需包
install.packages("udpipe")
library(udpipe)

# 下载并加载英文医学领域的UD模型（若有更细分的模型可替换）
model <- udpipe_download_model(language = "en_ewt")
ud_model <- udpipe_load_model(model$file_model)

# 对文本进行实体标注
annotated_results <- udpipe_annotate(ud_model, x = all_text)
annotated_df <- as.data.frame(annotated_results)

# 筛选医学相关实体（根据模型标注的NER类型，可按需调整）
medical_entities <- annotated_df[annotated_df$ner %in% c("DISEASE", "MEDICATION", "SYMPTOM", "ANATOMICAL_STRUCTURE"), ]$token
# 去重并整理成文本
medical_entities_unique <- unique(medical_entities)
medical_only_text <- paste(medical_entities_unique, collapse = " ")

方法三：使用生物医学专用文本挖掘包 #

针对医学文本的特性，可以使用专门的R包直接提取术语，比如biotmle（针对生物医学文本挖掘）或pubmed.mineR（基于PubMed语料的术语提取），这类包内置了医学领域的规则和词表，准确率更高。

内容的提问来源于stack exchange，提问作者stats_noob