[論文レビュー] A Semantically Enriched Dataset based on Biomedical NER for the COVID19 Open Research Dataset Challenge

Hermann Kroll, Jan Pirklbauer+2 more|arXiv (Cornell University)|May 18, 2020

Topic Modeling参考文献 6被引用数 7

ひとこと要約

本論文は、最先端のNERツール（TaggerOneとGNormPlus）を用いてCORD-19データセットから抽出した、化学物質、疾患、遺伝子、種の4つのバイオメディカル固有語を含む意味的拡張済みデータセットを提示する。パイプラインはタイトル、要約、本文を処理し、本文に340万件を超えるエンティティメンションを生成し、CC BY 4.0ライセンスのもとでオープンに公開されたJSONファイルとして再利用可能である。

ABSTRACT

Research into COVID-19 is a big challenge and highly relevant at the moment. New tools are required to assist medical experts in their research with relevant and valuable information. The COVID-19 Open Research Dataset Challenge (CORD-19) is a "call to action" for computer scientists to develop these innovative tools. Many of these applications are empowered by entity information, i. e. knowing which entities are used within a sentence. For this paper, we have developed a pipeline upon the latest Named Entity Recognition tools for Chemicals, Diseases, Genes and Species. We apply our pipeline to the COVID-19 research challenge and share the resulting entity mentions with the community.

研究の動機と目的

• バイオメディカル分野のCOVID-19研究における情報過多の課題を解決し、エンティティ中心の精確な情報検索を可能にする。
• 化学物質、疾患、遺伝子、種といった主要なバイオメディカルエンティティを、高品質で自動化されたパイプラインで検出および正規化する。
• 構造的で機械可読なエンティティアノテーションをCORD-19オープン研究データセットに追加し、ツール開発を向上させる。
• 知識グラフ構築、要約作成、意味的検索といった高度なNLPアプリケーションの開発を支援する。
• 研究コミュニティが再利用可能な、正確な空間的および意味的メタデータを備えたエンティティメンションのオープンデータセットを提供する。

提案手法

• 化学物質と疾患にはTaggerOne、遺伝子と種にはGNormPlusを用い、それぞれの事前学習済みモデルを用いて統合的なNERと正規化を実行する。
• エンティティ検出は、CORD-19データセット（バージョン9）に対して実施され、JSON形式のタイトル、要約、本文の本文パラグラフを処理する。
• 各エンティティメンションには、場所（パラグラフインデックス、開始および終了文字位置）、エンティティ文字列、タイプ、MeSH、OMIM、NCBI Gene、またはNCBI Species Taxonomyからの標準化IDが付与される。
• 出力は、各CORD-19ドキュメントIDを、完全なメタデータを備えたエンティティメンションのリストにマッピングするJSON辞書として構造化される。
• データセットはバージョン管理され、GitHubにホスティングされており、新しいCORD-19リリースに合わせたアップデートが計画されている。
• NCBI Disease、BioCreativeV、Gene Normalizationテストセットなどのベンチマークコーパスで検証済みのツールに依存することで、高品質なアノテーションを確保する。

実験結果

リサーチクエスチョン

• RQ1 バイオメディカル固有語認識（NER）をCORD-19データセット全体に効果的に適用し、構造化されたエンティティメンションを抽出する方法は何か？
• RQ2 化学物質、疾患、遺伝子、種といった主要なバイオメディカルエンティティのスケールと分布は、CORD-19コーパスのタイトル、要約、本文においてどのように分布しているか？
• RQ3 TaggerOneとGNormPlusを統合した一元化されたNERパイプラインは、多様なバイオメディカルテキストタイプにおいて、高品質で一貫性のあるエンティティアノテーションを生成できるか？
• RQ4 オープンで意味的拡張済みのエンティティアノテーションは、知識グラフ構築やパンデミック研究における意味的検索といった後続のアプリケーションをどの程度向上できるか？
• RQ5 エンティティメンションをテキスト構造（タイトル、要約、本文パラグラフ）内で正確に特定することで、細粒度の情報アクセスをどのように実現できるか？

主な発見

• パイプラインは、CORD-19データセットのタイトルと要約において、約99,000件の化学物質、145,000件の疾患、59,000件の遺伝子、165,000件の種を検出した。
• 本文ドキュメントでは、340万件の化学物質、400万件の疾患、220万件の遺伝子、470万件の種が同定された。
• データセットは、CC BY 4.0国際ライセンスのもとで、2つのオープンなJSONファイル（タイトルと要約用、本文用）として公開された。
• 各エンティティメンションには、正確な場所メタデータ（パラグラフインデックス、文字単位の開始および終了位置、エンティティ文字列、タイプ、標準化ID）が含まれる。
• 著者らは、アノテーション品質がTaggerOneおよびGNormPlusの元のベンチマークと同等であると推定している。
• データセットはGitHubにホスティングされており、新しいCORD-19データセットリリースに合わせた継続的なアップデートが計画されている。