本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。 # 文字分析 API 操作 使用 Amazon Comprehend Medical 來檢查臨床文件，並使用預先訓練的自然語言處理 (NLP) 模型取得其內容的各種洞見。您可以對單一檔案執行分析，或對存放在 Amazon Simple Storage Service (S3) 儲存貯體中的多個檔案執行批次分析。 透過 Amazon Comprehend Medical，您可以在文件上執行下列動作： + [偵測實體 （第 2 版）](textanalysis-entitiesv2.md) — 檢查非結構化臨床文字，以偵測醫學資訊的文字參考，例如醫療情況、治療、測試和結果，以及藥物。此版本使用與原始 Detect 實體 API 不同的模型，且輸出中有一些變更。 + [偵測 PHI](textanalysis-phi.md) — 檢查非結構化臨床文字，以偵測受保護醫療資訊 (PHI) 的文字參考，例如名稱和地址。 Amazon Comprehend Medical 也包含多個 API 操作，可用於對臨床文件執行批次文字分析。若要進一步了解如何使用這些 API 操作，請參閱 [文字分析批次 APIs](textanalysis-batchapi.md)。 **Topics** + [偵測實體 （第 2 版）](textanalysis-entitiesv2.md) + [偵測 PHI](textanalysis-phi.md) + [文字分析批次 APIs](textanalysis-batchapi.md) # 偵測實體 （第 2 版） 使用 **DetectEntitiesV2** 偵測單一檔案或 **StartEntitiesDetectionV2Job** 中的實體，以進行多個檔案的批次分析。您可以偵測下列類別中的實體： + `ANATOMY:` 偵測對身體或身體系統部分以及這些部分或系統位置的參考。 + `BEHAVIORAL_ENVIRONMENTAL_SOCIAL`：偵測環境中影響個人運作狀態的行為和條件。這包括煙草使用量、酒精使用量、娛樂性藥物使用量、敏感、性別和種族/族裔。 + `MEDICAL_CONDITION:` 偵測醫療狀況的跡象、症狀和診斷。 + `MEDICATION:` 偵測病患上的藥物和用量資訊。 + `PROTECTED_HEALTH_INFORMATION:` 偵測病患的個人資訊。 + `TEST_TREATMENT_PROCEDURE:` 偵測用於判斷醫療情況的程序。 + `TIME_EXPRESSION:` 偵測與偵測到的實體相關聯之時間相關的實體。 **DetectEntitiesV2** 操作會偵測所有六個類別。針對偵測 PHI 的特定分析，請在單一檔案上使用 **DetectPHI**，並使用 **StartPHIDetectionJob** 進行批次分析。 Amazon Comprehend Medical 偵測到下列類別中的資訊： + *實體：*相關物件名稱的文字參考，例如人物、治療、藥物和醫療情況。例如 `ibuprofen`。 + *類別：*實體所屬的廣義分組。例如，ibuprofen 是 `MEDICATION`類別的一部分。 + *類型：*在單一類別中偵測到的實體類型。例如，ibuprofen 在 `MEDICATION`類別的 `GENERIC_NAME` 類型中。 + *屬性：*與實體相關的資訊，例如藥物的用量。例如， `200 mg` 是 ibuprofen 實體的屬性。 + *特徵：*Amazon Comprehend Medical 根據內容了解的實體。例如，如果患者未使用，則藥物具有`NEGATION`其特性。 + *關係類型：*實體與 屬性之間的關係。 Amazon Comprehend Medical 會在輸入文字中為您提供實體的位置。在 Amazon Comprehend 主控台中，它會以圖形方式顯示位置。當您使用 API 時，它會以數值位移顯示位置。 每個實體和屬性都包含一個分數，指出 Amazon Comprehend Medical 對偵測準確性的可信度等級。每個屬性也都有關係分數。分數表示 Amazon Comprehend Medical 在屬性與其父實體之間的關係準確性方面擁有的可信度等級。為您的使用案例識別適當的可信度閾值。在需要極高準確性的情況下使用高可信度閾值。篩選掉不符合閾值的資料。 ## Anatomy 類別 `ANATOMY` 類別會偵測對內文或內文系統部分以及這些部分或系統位置的參考。 ### 類型 + `SYSTEM_ORGAN_SITE`：身體系統、解剖位置或區域，以及身體部位。 ### 屬性 + `DIRECTION`：方向性詞彙。例如，左、右、中、橫向、上、下、後、前、遠端、近端、對側、雙邊、同側、背、尾等。 ## 行為、環境和社會健康類別 `BEHAVIORAL_ENVIRONMENTAL_SOCIAL` 類別會偵測環境中影響個人運作狀態的行為和條件參考。 ### Type + `ALCOHOL_CONSUMPTION`：根據使用狀態、頻率、數量和持續時間定義病患的飲酒量。 + `ALLERGIES`：定義病患對敏銳度和對敏銳度的回應。 + `GENDER`：識別性別身分的特性。 + `RACE_ETHNICITY`：具有特定種族和族群之患者身分的社交政治建構。 + `REC_DRUG_USE`：根據使用狀態、頻率、數量和持續時間，定義病患對娛樂性藥物的使用。 + `TOBACCO_USE`：根據使用狀態、頻率、數量和持續時間定義患者的煙草使用量。屬性 下列偵測到的屬性僅適用於 `ALCOHOL_CONSUMPTION`、 `TOBACCO_USE`和 類型`REC_DRUG_USE`： + `AMOUNT`：使用的酒精、煙草或娛樂性藥物量。 + `DURATION`：已使用酒精、煙草或娛樂性藥物多久。 + `FREQUENCY`：酒精、煙草或娛樂性藥物的使用頻率。 ### 特徵 下列偵測到的特徵僅適用於 `ALCOHOL_CONSUMPTION`、`TOBACCO_USE`、 `ALLERGIES`和 類型`REC_DRUG_USE`： + `NEGATION`：表示結果或動作為負值或未執行。 + `PAST_HISTORY`：使用酒精、煙草或娛樂性藥物的跡象來自病患的過去 （在目前事件之前）。 ## 醫療狀況類別 `MEDICAL_CONDITION` 類別會偵測醫療狀況的跡象、症狀和診斷。類別有一個實體類型、四個屬性和四個特徵。一個或多個特徵可以與類型相關聯。偵測到屬性及其與診斷關係的上下文資訊，並透過 `DX_NAME` `RELATIONSHIP_EXTRACTION.` 映射至 例如，從文字「左腿的時間性痛苦」、偵測到「時間性」為屬性 `ACUITY`、偵測到「左」為屬性 `DIRECTION`，以及偵測到「腿」為屬性 `SYSTEM_ORGAN_SITE`。每個屬性的關係都會映射到醫療狀況實體「痛苦」以及可信度分數。 ### 類型 + `DX_NAME`：列出的所有醫療情況。`DX_NAME` 類型包括目前疾病、就診原因和醫療史。 ### 屬性 + `ACUITY`：判斷疾病執行個體，例如長期、嚴重、突然、持續或漸進。 + `DIRECTION`：方向性詞彙。例如，左、右、中、橫向、上、下、後、前、遠端、近端、對側、雙邊、同側、背或心室。 + `SYSTEM_ORGAN_SITE`：解剖位置。 + `QUALITY`：醫療情況的任何描述性術語，例如階段或等級。 ### 特徵 + `DIAGNOSIS`：確定為症狀原因或結果的醫療狀況。可以透過實體問題清單、實驗室或放射報告或任何其他方式找到症狀。 + `HYPOTHETICAL`：指出醫療情況以假設表示。 + `LOW_CONFIDENCE`：指出醫療情況表示為具有高度不確定性。這與提供的可信度分數沒有直接關聯。 + `NEGATION`：表示結果或動作為負值或未執行。 + `PERTAINS_TO_FAMILY`：指出醫療情況與病患的家庭相關，而非病患。 + `SIGN`：醫生報告的醫療情況。 + `SYMPTOM`：患者報告的醫療情況。 ## 藥物類別 `MEDICATION` 類別會偵測患者的藥物和用量資訊。一個或多個屬性可以套用至類型。 ### 類型 + `BRAND_NAME`：藥物或治療代理程式的著作權品牌名稱。 + `GENERIC_NAME`：非品牌名稱、成分名稱或藥物或治療藥物的配方混合。 ### 屬性 + `DOSAGE`：排序的藥品數量。 + `DURATION`：應給予藥物多久。 + `FORM`：藥物的形式。 + `FREQUENCY`：管理藥物的頻率。 + `RATE`：藥物的管理速率 （主要用於藥物注入或 IVs)。 + `ROUTE_OR_MODE`：藥物的管理方法。 + `STRENGTH`：藥物強度。 ### 特徵 + `NEGATION`：任何表示患者未使用藥物的指示。 + `PAST_HISTORY`：指出偵測到的藥品來自病患的過去 （目前事件之前）。 ## 受保護醫療資訊類別 `PROTECTED_HEALTH_INFORMATION` 類別會偵測病患的個人資訊。請參閱 [偵測 PHI](textanalysis-phi.md) 以進一步了解此操作。 ### 類型 + `ADDRESS`：設施內任何設施、單位或通道之地址的所有地理分區。 + `AGE`：所有年齡元件、年齡範圍或任何提及的年齡。這包括患者、家人或其他人的那些。除非另有說明，否則預設值為年。 + `EMAIL`：任何電子郵件地址。 + `ID`：社會安全號碼、醫療記錄號碼、設施識別號碼、臨床試驗號碼、憑證或授權號碼、車輛或裝置號碼、護理地點或提供者。這也包含病患的任何生物識別編號，例如高度、重量或實驗室值。 + `NAME`：所有名稱。一般而言，病患、家人或提供者的名稱。 + `PHONE_OR_FAX`：任何電話、傳真或呼叫器號碼。排除具名電話號碼，例如 1-800-QUIT-NOW 和 911。 + `PROFESSION`：任何與病患或病患家人相關的專業或雇主。它不包括筆記中提及臨床醫生的職業。 ## 測試、處理和程序類別 `TEST_TREATMENT_PROCEDURE` 類別會偵測用來判斷醫療情況的程序。一個或多個屬性可以與 `TEST_NAME`類型的實體相關。 ### 類型 + `PROCEDURE_NAME`：介入作為對病患執行的一次性動作，以治療醫療情況或提供病患護理。 + `TEST_NAME`：對病患執行的程序，用於可能具有結果值的診斷、測量、篩選或評分。這包括確定診斷、排除或尋找條件，或擴展或評分患者的任何程序、程序、評估或評分。 + `TREATMENT_NAME`：在一段時間內執行的介入，以對抗疾病或障礙。這包括藥物分組，例如防毒和預防。 ### 屬性 + `TEST_VALUE`：測試的結果。僅適用於`TEST_NAME`實體類型。 + `TEST_UNIT`：可能伴隨測試值的度量單位。僅適用於`TEST_NAME`實體類型。 ### 特徵 + `FUTURE`：表示測試、處理或程序是指將在備註主體之後發生的動作或事件。 + `HYPOTHETICAL`：表示測試、處理或程序以假設表示。 + `NEGATION`：表示結果或動作為負值或未執行。 + `PAST_HISTORY`：表示測試、治療或程序來自病患的過去 （目前事件之前）。 ## 時間表達式類別 `TIME_EXPRESSION` 類別會偵測與時間相關的實體。這包括日期和時間表達式等實體，例如「三天前」、「今天」、「目前」、「入學日」、「上個月」或「16 天」。此類別中的結果只有在與實體相關聯時才會傳回。例如，「Yesterday，病患接受 200 mg 的 ibuprofen」會傳回`Yesterday`為`TIME_EXPRESSION`與實體「ibuprofen」重疊的`GENERIC_NAME`實體。不過，在「昨天，病患走了他們的狗」中，它不會被識別為實體。 ### 類型 + `TIME_TO_MEDICATION_NAME`：使用藥物的日期。此類型特有的屬性為 `BRAND_NAME`和 `GENERIC_NAME`。 + `TIME_TO_DX_NAME`：發生醫療情況的日期。此類型的屬性為 `DX_NAME`。 + `TIME_TO_TEST_NAME`：執行測試的日期。此類型的屬性為 `TEST_NAME`。 + `TIME_TO_PROCEDURE_NAME`：執行程序的日期。此類型的屬性為 `PROCEDURE_NAME`。 + `TIME_TO_TREATMENT_NAME`：給予治療的日期。此類型的屬性為 `TREATMENT_NAME`。 ### 關係類型 + 實體與 屬性之間的關係。辨識`Relationship_type`的 如下： `Overlap` – 與偵測到的實體`TIME_EXPRESSION`一致。 # 偵測 PHI 當您只想要在掃描臨床文字時偵測受保護醫療資訊 (PHI) 資料時，請使用 **DetectPHI** 操作。若要偵測臨床文字中的所有可用實體，請使用 **DetectEntitiesV2**。 此 API 最適合只需要偵測 PHI 實體的使用案例。如需非 PHI 類別中的資訊，請參閱 [偵測實體 （第 2 版）](textanalysis-entitiesv2.md)。 **重要** Amazon Comprehend Medical 提供可信度分數，指出偵測到之實體準確性的可信度。評估這些可信度分數，並為您的使用案例識別正確的可信度閾值。對於特定合規使用案例，我們建議您使用額外的人工審核或其他方法來確認偵測到的 PHI 的準確性。 根據 HIPAA 法案，根據 18 個識別符清單的 PHI 必須特別謹慎處理。Amazon Comprehend Medical 會偵測與這些識別符相關聯的實體，但這些實體不會將 1：1 對應至 Safe Harbor 方法指定的清單。並非所有識別符都包含在非結構化臨床文字中，但 Amazon Comprehend Medical 確實涵蓋了所有相關識別符。這些識別符由可用於識別個別病患的資料組成，包括下列清單。如需詳細資訊，請參閱*美國政府健康與人類服務*網站上的[醫療資訊隱私權](https://www.hhs.gov/hipaa/for-professionals/privacy/special-topics/de-identification/index.html)。 每個與 PHI 相關的實體都包含一個分數 (`Score`在回應中），表示 Amazon Comprehend Medical 對偵測準確性的可信度。為您的使用案例識別正確的可信度閾值，並篩選出不符合該閾值的實體。識別 PHI 的出現時，最好使用低可信度閾值進行篩選，以擷取更多可能偵測到的實體。在合規使用案例中不使用偵測到的實體值時，尤其如此。 執行 **DetectPHI** 或 **DetectEntitiesV2** 操作可以偵測下列 PHI 相關實體： **偵測到的 PHI 實體** | 實體 | Description | HIPAA 類別 | | --- | --- | --- | | AGE | 所有年齡因素、年齡範圍和提及的任何年齡，無論是患者或家人，還是涉及備註的其他人員。除非另有說明，否則預設值為年。 | 3. 與個人相關的日期 | | DATE | 與患者或患者護理相關的任何日期。 | 3. 與個人相關的日期 | | NAME | 臨床備註中提及的所有名稱，通常屬於病患、家人或提供者。 | 1. 名稱 | | PHONE\$1OR\$1FAX | 任何電話、傳真、呼叫器；不包括具名電話號碼，例如 1-800-QUIT-NOW 和 911。 | 4. 電話號碼 5. 傳真號碼 | | EMAIL | 任何電子郵件地址。 | 6. 電子郵件位址 | | ID | 與病患身分相關聯的任何類型的數字。這包括其社會安全號碼、醫療記錄號碼、設施識別號碼、臨床試驗號碼、憑證或授權號碼、車輛或裝置號碼。它還包含生物識別數字，以及識別護理地點或提供者的數字。 | 7. 社會安全號碼 8. 醫療記錄號碼 9. Health Plan 編號 10. 帳號： 11. 憑證/授權號碼 12. 車輛識別符 13. 裝置編號 16. 生物識別資訊 18. 任何其他識別特徵 | | URL | 任何 Web URL。 | 14. URL | | ADDRESS | 這包括任何設施、具名醫療設施或設施內 wards 地址的所有地理分區。 | 2. 地理位置 | | PROFESSION | 包括備註中提及的任何與病患或病患家人相關的職業或雇主。 | 18. 任何其他識別特徵 | **範例** 文字「病患是 John Smith，48 歲的老師，是華盛頓州西雅圖的居民。」 傳回： + 「John Smith」為 `PROTECTED_HEALTH_INFORMATION`類別`NAME`中的 類型*實體*。 + 「48」為 `PROTECTED_HEALTH_INFORMATION`類別`AGE`中的 類型*實體*。 + "teacher" 為 `PROTECTED_HEALTH_INFORMATION`類別中的類型 `PROFESSION`（識別特徵） *實體*。 + "Seattle， Washington" 為 `PROTECTED_HEALTH_INFORMATION`類別中的`ADDRESS`*實體*。 在 Amazon Comprehend Medical 主控台中，如下所示： ![\[Patient information card displaying name, age, profession, and address details.\]](http://docs.aws.amazon.com/zh_tw/comprehend-medical/latest/dev/images/patient.png) 使用 **DetectPHI** 操作時，回應會顯示如下。當您使用 **StartPHIDetectionJob** 操作時，Amazon Comprehend Medical 會使用此結構在輸出位置建立檔案。 ``` { "Entities": [ { "Id": 0, "BeginOffset": 11, "EndOffset": 21, "Score": 0.997368335723877, "Text": "John Smith", "Category": "PROTECTED_HEALTH_INFORMATION", "Type": "NAME", "Traits": [] }, { "Id": 1, "BeginOffset": 25, "EndOffset": 27, "Score": 0.9998362064361572, "Text": "48", "Category": "PROTECTED_HEALTH_INFORMATION", "Type": "AGE", "Traits": [] }, { "Id": 2, "BeginOffset": 37, "EndOffset": 44, "Score": 0.8661606311798096, "Text": "teacher", "Category": "PROTECTED_HEALTH_INFORMATION", "Type": "PROFESSION", "Traits": [] }, { "Id": 3, "BeginOffset": 61, "EndOffset": 68, "Score": 0.9629441499710083, "Text": "Seattle", "Category": "PROTECTED_HEALTH_INFORMATION", "Type": "ADDRESS", "Traits": [] }, { "Id": 4, "BeginOffset": 78, "EndOffset": 88, "Score": 0.38217034935951233, "Text": "Washington", "Category": "PROTECTED_HEALTH_INFORMATION", "Type": "ADDRESS", "Traits": [] } ], "UnmappedAttributes": [] } ``` # 文字分析批次 APIs 使用 Amazon Comprehend Medical 來分析存放在 Amazon S3 儲存貯體中的醫療文字。在一個批次中分析高達 10 GB 的文件。您可以使用 主控台來建立和管理批次分析任務，或使用批次 APIs來偵測醫療實體，包括受保護的健康資訊 (PHI)。APIs會啟動、停止、列出和描述正在進行的批次分析任務。 您可以[在這裡](https://aws.amazon.com/comprehend/medical/pricing/)找到批次分析和其他 Amazon Comprehend Medical 操作的定價資訊。 ## 重要通知 Amazon Comprehend Medical 的批次分析操作無法取代專業醫療建議、診斷或治療。確認使用案例的相關可信度閾值，並在需要高準確性的情況下使用高可信度閾值。用於特定使用案例時，這些結果應由受過適當訓練的審查員進行審查和驗證。Amazon Comprehend Medical 的所有操作只有在經過訓練的醫療專業人員審查準確性和健全的醫學判斷後，才能用於患者護理案例。 ## 使用 APIs 執行批次分析 您可以使用 Amazon Comprehend Medical 主控台或 Amazon Comprehend Medical Batch APIs 來執行批次分析任務。 **先決條件** 當您使用 Amazon Comprehend Medical API 時，請建立 AWS Identity Access and Management (IAM) 政策，並將其連接至 IAM 角色。若要進一步了解 IAM 角色和信任政策，請參閱 [IAM 政策和許可](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies.html)。 **** 1. 將您的資料上傳至 S3 儲存貯體。 1. 若要啟動新的分析任務，請使用 StartEntitiesDetectionV2Job 操作或 StartPHIDetectionJob 操作。當您啟動任務時，告知 Amazon Comprehend Medical 包含輸入檔案的輸入 S3 儲存貯體名稱，並指定輸出 S3 儲存貯體在批次分析後寫入檔案。 1. 使用主控台或 DescribeEntitiesDetectionV2Job 操作或 DescribePHIDetectionJob 操作來監控任務的進度。此外，ListEntitiesDetectionV2Jobs 和 ListPHIDetectionJobs 可讓您查看所有內科連結批次分析任務的狀態。 1. 如果您需要停止進行中的任務，請使用 StopEntitiesDetectionV2Job 或 StopPHIDetectionJob 停止分析。 1. 若要檢視分析任務的結果，請參閱您在啟動任務時設定的輸出 S3 儲存貯體。 ## 使用主控台執行批次分析 **** 1. 將您的資料上傳至 S3 儲存貯體。 1. 若要啟動新的分析任務，請選取您要執行的分析類型。然後提供包含輸入檔案的 S3 儲存貯體名稱，以及您要傳送輸出檔案的 S3 儲存貯體名稱。 1. 在任務進行時監控其狀態。從主控台，您可以檢視所有批次分析操作及其狀態，包括分析開始和結束的時間。 1. 若要查看分析任務的結果，請參閱您在啟動任務時設定的輸出 S3 儲存貯體。 ## 批次操作的 IAM 政策 呼叫 Amazon Comprehend Medical 批次 APIs IAM 角色必須具有政策，授予對包含輸入和輸出檔案之 S3 儲存貯體的存取權。它也必須指派信任關係，讓 Amazon Comprehend Medical 服務能夠擔任該角色。若要進一步了解 IAM 角色和信任政策，請參閱 [IAM 角色](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles.html)。 角色必須具有下列政策。 ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Action": [ "s3:GetObject" ], "Resource": [ "arn:aws:s3:::input-bucket/*" ], "Effect": "Allow" }, { "Action": [ "s3:ListBucket" ], "Resource": [ "arn:aws:s3:::input-bucket", "arn:aws:s3:::output-bucket" ], "Effect": "Allow" }, { "Action": [ "s3:PutObject" ], "Resource": [ "arn:aws:s3:::output-bucket/*" ], "Effect": "Allow" } ] } ``` ------ 角色必須具有下列信任關係。建議您使用 `aws:SourceAccount `和 `aws:SourceArn`條件金鑰，以防止混淆代理人安全問題。若要進一步了解混淆代理人問題以及如何保護 AWS 您的帳戶，請參閱 [IAM 文件中的混淆代理人問題](https://docs.aws.amazon.com/IAM/latest/UserGuide/confused-deputy.html)。 ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement":[ { "Effect":"Allow", "Principal":{ "Service":[ "comprehendmedical.amazonaws.com" ] }, "Action":"sts:AssumeRole", "Condition": { "StringEquals": { "aws:SourceAccount": "account_id" }, "ArnLike": { "aws:SourceArn": "arn:aws:comprehendmedical:us-east-1:account_id:*" } } } ] } ``` ------ ## 批次分析輸出檔案 Amazon Comprehend Medical 會為批次中的每個輸入檔案建立一個輸出檔案。檔案具有副檔名 `.out`。Amazon Comprehend Medical 會先使用 *AwsAccountId*-*JobType*-*JobId* 做為名稱，在輸出 S3 儲存貯體中建立目錄，然後將批次的所有輸出檔案寫入此目錄。Amazon Comprehend Medical 會建立此新目錄，讓某個任務的輸出不會覆寫另一個任務的輸出。 批次操作的輸出會產生與同步操作相同的輸出。如需 Amazon Comprehend Medical 產生的輸出範例，請參閱 [偵測實體 （第 2 版）](textanalysis-entitiesv2.md)。 每個批次操作都會產生三個資訊清單檔案，其中包含任務的相關資訊。 + `Manifest` – 總結任務。提供用於任務的參數、任務的總大小，以及所處理檔案數目的相關資訊。 + `success` – 提供已成功處理之檔案的相關資訊。包括輸入和輸出檔案名稱，以及輸入檔案的大小。 + `unprocessed` – 列出批次任務未處理的檔案，包括每個檔案的錯誤代碼和錯誤訊息。 Amazon Comprehend Medical 會將檔案寫入您為批次任務指定的輸出目錄。摘要資訊清單檔案將寫入輸出資料夾，以及標題為 的資料夾`Manifest_AccountId-Operation-JobId`。在資訊清單資料夾中是一個`success`資料夾，其中包含成功資訊清單。還包括一個`failed`資料夾，其中包含未處理的檔案資訊清單。下列各節顯示資訊清單檔案的結構。 ### 批次資訊清單檔案 以下是批次資訊清單檔案的 JSON 結構。 ``` {"Summary" : {"Status" : "COMPLETED | FAILED | PARTIAL_SUCCESS | STOPPED", "JobType" : "EntitiesDetection | PHIDetection", "InputDataConfiguration" : { "Bucket" : "input bucket", "Path" : "path to files/account ID-job type-job ID" }, "OutputDataConfiguration" : { "Bucket" : "output bucket", "Path" : "path to files" }, "InputFileCount" : number of files in input bucket, "TotalMeteredCharacters" : total characters processed from all files, "UnprocessedFilesCount" : number of files not processed, "SuccessFilesCount" : total number of files processed, "TotalDurationSeconds" : time required for processing, "SuccessfulFilesListLocation" : "path to file", "UnprocessedFilesListLocation" : "path to file", "FailedJobErrorMessage": "error message or if not applicable, The status of the job is completed" } } ``` ### 成功資訊清單檔案 以下是 檔案的 JSON 結構，其中包含成功處理檔案的相關資訊。 ``` { "Files": [{ "Input": "input path/input file name", "Output": "output path/output file name", "InputSize": size in bytes of input file }, { "Input": "input path/input file name", "Output": "output path/output file name", "InputSize": size in bytes of input file }] } ``` ### 未處理的資訊清單檔案 以下是資訊清單檔案的 JSON 結構，其中包含未處理檔案的相關資訊。 ``` { "Files" : [ { "Input": "file_name_that_failed", "ErrorCode": "error code for exception", "ErrorMessage": "explanation of the error code and suggestions" }, { ...} ] } ```