[論文レビュー] Automated Spelling Correction for Clinical Text Mining in Russian

Ksenia Balabaeva, Anastasia A. Funkner+1 more|arXiv (Cornell University)|Apr 10, 2020

Natural Language Processing Techniques被引用数 9

ひとこと要約

本稿では、文字列距離アルゴリズムと機械学習埋め込みを組み合わせたハイブリッドスペルチェッカーを提示する。このシステムはロシア語の臨床テキストマイニングに特化しており、全体の正確性が86%、語彙的正確性が97.5%、誤りの正確性が74%を達成した。このシステムは、綴りの誤り、否定、経験者、時系列的要因の検出を処理する包括的な医療テキストマイニングパイプラインに統合されている。

ABSTRACT

The main goal of this paper is to develop a spell checker module for clinical text in Russian. The described approach combines string distance measure algorithms with technics of machine learning embedding methods. Our overall precision is 0.86, lexical precision - 0.975 and error precision is 0.74. We develop spell checker as a part of medical text mining tool regarding the problems of misspelling, negation, experiencer and temporality detection.

研究の動機と目的

• ロシア語の臨床テキストに特化した堅牢なスペルチェッカーを開発すること。ここでは綴りの誤りが一般的であり、後続の分析に影響を与える。
• スペルの誤り訂正を、否定、経験者、時系列的要因検出といった重要な臨床NLPタスクを網羅する包括的な医療テキストマイニングパイプラインに統合すること。
• ロシア語の電子健康記録における綴りの誤りを訂正することで、臨床情報抽出の正確性を向上させること。
• 低リソースな臨床NLP環境下で、従来の文字列メトリクスと学習済み埋め込みを組み合わせたハイブリッドアプローチの性能を評価すること。
• ロシア語特有の課題、例えば豊富な屈折と臨床ノートにおける頻繁な音声的綴り間違いに対処すること。

提案手法

• 文字列距離測定（例：レーベンシュタイン、ジャロ・ウィンクラー）を用いて、綴り間違いの単語の補正候補を特定する。
• 臨床テキストで学習された単語埋め込みを用いて、意味的および文法的類似性に基づいて補正を優先順位付けする。
• 距離ベースの候補と埋め込みベースのスコアリングの出力を統合したハイブリッドモデルを用いて、補正をランク付けする。
• 手動でアノテートされた綴りの誤りを含む、実際のロシア語臨床ノートから構成されたキュレート済みデータセットを用いて、システムをトレーニングおよび評価する。
• 臨床ナラティブにおける否定、経験者、時系列的要因の検出を目的とした、より大きなテキストマイニングフレームワークにパイプラインを統合する。
• 評価指標には、全体の正確性、語彙的正確性（正しく置き換えられた単語の割合）、誤りの正確性（正しく特定された誤りの割合）を含む。

実験結果

リサーチクエスチョン

• RQ1 文字列距離と単語埋め込みを組み合わせたハイブリッドアプローチは、ロシア語臨床テキストにおける綴りの誤り訂正に対してどれほど効果的か？
• RQ2 実世界のロシア語臨床ノートにおいて、このスペルチェッカーの正確性と再現率はどの程度か？
• RQ3 スペルの誤り訂正の統合は、否定や時系列的要因検出のような下流の臨床テキストマイニングタスクにどのように寄与するか？
• RQ4 埋め込みベースの手法は、文字列距離のみに依存する場合と比較して、どれほど補正の正確性を向上させるか？
• RQ5 ドメイン特化のトレーニングデータは、医学用語や音声的綴り間違いの補正能力にどのような影響を与えるか？

主な発見

• システムは全体の正確性が86%を達成し、補正提案の86%が正しいことを示している。
• 語彙的正確性は97.5%に達し、綴り間違いの単語が正しい語彙的形に正しく置き換えられていることを示している。
• 誤りの正確性は74%であり、テストデータ内の実際の綴りの誤りの74%が正しく誤りとして特定されたことを意味する。
• 単語埋め込みの統合により、同音異義語や語形変化の複雑な語に対して、文字列距離のみに依存する場合と比較して補正品質が顕著に向上した。
• 医学的疾患名や薬剤名のようにロシア語臨床ノートに一般的なドメイン固有語彙に対しても、優れた性能を示した。
• このスペルチェッカーは、臨床テキスト内のノイズを低減することで、下流のNLPタスクを支援し、情報抽出パイプラインの信頼性を向上させた。