feat: add medcleanstd mapper operator

runtime/ops/mapper/medcleanstd_operator/README.md

@@ -0,0 +1,109 @@
+# MedCleanStd 医疗文本清洗标准化算子
+
+## 概述
+
+MedCleanStd 是一个面向医疗文本的智能化清洗与标准化处理算子，集成了文档解析、文本纠错、命名实体识别（NER）和医学术语标准化四大核心功能。
+
+## 功能特性
+
+### 1. 文档解析
+- 支持 `.docx`和`.txt` 格式医疗文档
+- 段落提取与表格线性化处理
+- 字符位置映射构建，支持实体溯源
+
+### 2. 文本纠错
+- 混淆集快速匹配（<1ms）
+- 可选拼音纠错（ProperCorrector）
+- 智能分段处理长文本
+
+### 3. 实体识别
+- 基于 SiameseUIE 模型
+- 支持多种实体类型：疾病、症状、药品、手术、检查、检验
+- NPU/GPU/CPU 多硬件平台自适应
+
+### 4. 术语标准化
+- L1 缓存：高频词精确匹配
+- L2 向量检索：语义模糊匹配
+- 输出 ICD-10 标准编码
+
+## 参数说明
+
+### 纠错配置
+| 参数 | 类型 | 默认值 | 说明 |
+|------|------|--------|------|
+| 启用拼音纠错 | switch | false | 是否启用拼音纠错（精度更高但速度较慢） |
+| 纠错分段长度 | slider | 100 | ProperCorrector 分段处理长度阈值 |
+| 纠错最大文本长度 | slider | 200 | 超过此长度将自动禁用 ProperCorrector |
+
+### NER 配置
+| 参数 | 类型 | 默认值 | 说明 |
+|------|------|--------|------|
+| NER 抽取目标 | checkbox | 疾病，症状 | 选择需要抽取的实体类型 |
+| NER 推理批大小 | slider | 64 | NER 模型推理时的批量大小 |
+
+### 分句配置
+| 参数 | 类型 | 默认值 | 说明 |
+|------|------|--------|------|
+| 分句块大小 | slider | 80 | 每个处理 chunk 包含的最大句子数 |
+
+### 标准化配置
+| 参数 | 类型 | 默认值 | 说明 |
+|------|------|--------|------|
+| 启用 L1 缓存 | switch | true | 是否启用高频术语 L1 缓存 |
+| 标准化批大小 | slider | 64 | 向量编码批处理大小 |
+| 标准化检索批大小 | slider | 2000 | Faiss 向量检索批处理大小 |
+| 标准化相似度阈值 | slider | 0.75 | 向量检索的最低相似度阈值 |
+
+### 实体过滤配置
+| 参数 | 类型 | 默认值 | 说明 |
+|------|------|--------|------|
+| 最大实体长度 | slider | 50 | 超过此长度的实体将被过滤 |
+
+### 性能优化配置
+| 参数 | 类型 | 默认值 | 说明 |
+|------|------|--------|------|
+| 启用流水线模式 | switch | true | NER 和标准化并行处理 |
+
+## 输入输出
+
+**输入**: 文本数据（`text` 字段）
+
+**输出**: 包含以下字段：
+- `corrected_text`: 纠错后的文本
+- `correction_errors`: 纠错明细
+- `entities`: 识别的实体列表
+- `filtered_entities`: 过滤后的实体列表（含标准化结果）
+- `medclean_metadata`: 处理元数据
+
+## 实体输出格式
+
+```json
+{
+  "text": "急性阑尾炎",
+  "type": "疾病",
+  "start": 2,
+  "end": 7,
+  "global_start": 2,
+  "global_end": 7,
+  "normalized": {
+    "std_name": "急性阑尾炎",
+    "std_code": "K35.900",
+    "score": 1.0,
+    "source": "L1_Cache"
+  }
+}
+```
+
+## 依赖说明
+
+- torch >= 2.0.0
+- torch_npu >= 2.1.0 (NPU 设备可选)
+- modelscope >= 1.9.0
+- python-docx >= 0.8.11
+- pycorrector >= 0.4.5
+- sentence-transformers >= 2.2.0
+- faiss-cpu >= 1.7.4
+
+## 版本历史
+
+- **v1.0.0**: 首次发布，支持基本医疗文本清洗与标准化功能

runtime/ops/mapper/medcleanstd_operator/__init__.py

@@ -0,0 +1,11 @@
+# -*- coding: utf-8 -*-
+"""
+MedCleanStd 医疗文本清洗标准化算子注册入口
+"""
+
+from datamate.core.base_op import OPERATORS
+
+OPERATORS.register_module(
+    module_name='MedCleanStdMapper',
+    module_path="ops.user.medcleanstd_operator.process"
+)

runtime/ops/mapper/medcleanstd_operator/metadata.yml

@@ -0,0 +1,142 @@
+name: '医疗文本清洗标准化算子'
+description: 'MedCleanStd 是一个面向医疗文本的智能化清洗与标准化处理系统，集成了文档解析、文本纠错、命名实体识别（NER）和医学术语标准化四大核心功能。'
+language: 'python'
+vendor: 'huawei'
+raw_id: 'MedCleanStdMapper'
+version: '1.0.0'
+modal: 'text'
+inputs: 'text'
+outputs: 'text'
+release:
+  - '首次发布：医疗文本清洗与标准化处理'
+  - '支持文档解析、文本纠错、NER 实体识别、术语标准化'
+  - '支持 NPU/GPU/CPU 多硬件平台自适应'
+metrics:
+  - name: '准确率'
+    metric: '95.0%'
+  - name: '处理速度'
+    metric: '300 ms/doc'
+  - name: '内存使用'
+    metric: '512MB'
+  - name: '吞吐量'
+    metric: '3 docs/sec'
+runtime:
+  memory: 536870912
+  cpu: 0.5
+  gpu: 0.1
+  npu: 0.1
+  storage: 1GB
+settings:
+  # 纠错配置
+  use_proper_corrector:
+    name: '启用拼音纠错'
+    description: '是否启用 ProperCorrector 进行拼音和错别字纠正（开启后精度更高但速度较慢，约 600ms/次）'
+    type: 'switch'
+    defaultVal: 'false'
+    required: false
+    checkedLabel: '已启用'
+    unCheckedLabel: '未启用'
+  proper_segment_length:
+    name: '纠错分段长度'
+    description: 'ProperCorrector 分段处理长度阈值（超过此值将分段处理）'
+    type: 'slider'
+    defaultVal: 100
+    min: 50
+    max: 300
+    step: 10
+  proper_max_text_length:
+    name: '纠错最大文本长度'
+    description: '超过此长度将自动禁用 ProperCorrector（以提升速度）'
+    type: 'slider'
+    defaultVal: 200
+    min: 100
+    max: 500
+    step: 50
+  # NER 配置
+  ner_schema:
+    name: 'NER 抽取目标'
+    description: '选择需要抽取的实体类型'
+    type: 'checkbox'
+    defaultVal: '疾病，症状'
+    required: true
+    options:
+      - label: '疾病'
+        value: '疾病'
+      - label: '症状'
+        value: '症状'
+      - label: '药品'
+        value: '药品'
+      - label: '手术'
+        value: '手术'
+      - label: '检查'
+        value: '检查'
+      - label: '检验'
+        value: '检验'
+  ner_inference_batch_size:
+    name: 'NER 推理批大小'
+    description: 'NER 模型推理时的批量大小（NPU 设备可调大）'
+    type: 'slider'
+    defaultVal: 64
+    min: 16
+    max: 128
+    step: 16
+  # 分句配置
+  max_sentences:
+    name: '分句块大小'
+    description: '每个处理 chunk 包含的最大句子数（影响处理粒度和内存占用）'
+    type: 'slider'
+    defaultVal: 80
+    min: 5
+    max: 160
+    step: 5
+  # 标准化配置
+  use_l1_cache:
+    name: '启用 L1 缓存'
+    description: '是否启用高频术语 L1 缓存（开启后高频词处理速度提升至<1ms）'
+    type: 'switch'
+    defaultVal: 'true'
+    required: false
+    checkedLabel: '已启用'
+    unCheckedLabel: '未启用'
+  normalizer_batch_size:
+    name: '标准化批大小'
+    description: '术语标准化时的向量编码批处理大小（NPU 设备可调大）'
+    type: 'slider'
+    defaultVal: 64
+    min: 8
+    max: 128
+    step: 8
+  normalizer_search_batch_size:
+    name: '标准化检索批大小'
+    description: 'Faiss 向量检索时的批处理大小'
+    type: 'slider'
+    defaultVal: 2000
+    min: 500
+    max: 5000
+    step: 500
+  normalizer_similarity_threshold:
+    name: '标准化相似度阈值'
+    description: '向量检索的最低相似度阈值（低于此值认为无匹配）'
+    type: 'slider'
+    defaultVal: 0.75
+    min: 0.5
+    max: 0.95
+    step: 0.05
+  # 实体过滤配置
+  max_entity_length:
+    name: '最大实体长度'
+    description: '超过此长度的实体将被过滤（避免输出过长实体）'
+    type: 'slider'
+    defaultVal: 50
+    min: 20
+    max: 200
+    step: 5
+  # 性能优化配置
+  use_pipeline_mode:
+    name: '启用流水线模式'
+    description: '启用后 NER 和标准化将并行处理（提升吞吐量）'
+    type: 'switch'
+    defaultVal: 'true'
+    required: false
+    checkedLabel: '已启用'
+    unCheckedLabel: '未启用'