[論文レビュー] BADREX: In situ expansion and coreference of biomedical abbreviations using dynamic regular expressions

Phil Gooch|arXiv (Cornell University)|Jun 20, 2012

Biomedical Text Mining and Ontologies参考文献 7被引用数 15

ひとこと要約

BADREX は、動的に生成された正規表現を用いたルールベースのシステムであり、生命科学分野の用語の省略語を文脈内（in situ）で特定・展開し、参照解決を行う。Medstract コーパス上で 98% の精度と 97% の再現率を達成し、学習データやモデル再訓練を必要としない既存手法を上回る。

ABSTRACT

BADREX uses dynamically generated regular expressions to annotate term definition-term abbreviation pairs, and corefers unpaired acronyms and abbreviations back to their initial definition in the text. Against the Medstract corpus BADREX achieves precision and recall of 98% and 97%, and against a much larger corpus, 90% and 85%, respectively. BADREX yields improved performance over previous approaches, requires no training data and allows runtime customisation of its input parameters. BADREX is freely available from https://github.com/philgooch/BADREX-Biomedical-Abbreviation-Expander as a plugin for the General Architecture for Text Engineering (GATE) framework and is licensed under the GPLv3.

研究の動機と目的

• 科学的テキスト内の文脈的省略語の同定と展開の課題に対処すること。
• 対応のとれていない頭文字省略語や省略語を、それらの元の定義にまでたどり着けるように参照解決すること。
• ラベル付き学習データを必要とせず、実行時パラメータのカスタマイズが可能なシステムを構築すること。
• 省略語展開および参照解決の分野で、既存手法を精度と再現率の両面で上回ること。
• GATE NLP フレームワークに統合された、自由に利用可能で拡張可能なソリューションを提供すること。

提案手法

• 生命科学分野のテキストにおける用語-定義ペアから、文脈に特化したパターンに基づき動的に正規表現を生成する。
• これらの正規表現パターンを用いて、元のテキスト文脈そのもの（in situ）で省略語を検出・展開する。
• 未対応の頭文字省略語を、ドキュメント内での最も可能性の高い定義語にリンクするための参照解決技術を用いる。
• 標点、空白、文法的近接性といった言語的・構造的手がかりを活用して、パターン生成を支援する。
• GATE プラグインとして実装し、既存の NLP パイプラインへの統合を可能にする。
• 用語長、大文字・小文字の扱い、標点記号のルールといったパラメータを実行時設定可能にすること。

実験結果

リサーチクエスチョン

• RQ1 動的正規表現は、学習データを一切必要とせず、生命科学分野の省略語を効果的に同定・展開できるか？
• RQ2 参照解決技術は、生命科学分野のテキストにおいて、対応のとれていない頭文字省略語を、その元の定義にどれほど正確に結びつけることができるか？
• RQ3 標準ベンチマークコーパス上で、前例に比べてどの程度精度と再現率が向上しているか？
• RQ4 異なるテキストタイプやドメイン固有の省略語パターンに合わせて、実行時におけるカスタマイズが可能か？
• RQ5 カスタマイズ可能なカバー範囲を超えて、大規模で現実世界の生命科学コーパスに対してもスケーラブルかつ効果的か？

主な発見

• BADREX は Medstract コーパスで 98% の精度と 97% の再現率を達成し、省略語展開および参照解決において高い正確性を示した。
• より大規模で多様なコーパスでは、90% の精度と 85% の再現率を維持した。
• 本手法は、精度と再現率の両面で既存手法を上回り、優れた検出および解決能力を示した。
• 学習データを一切必要としないため、再訓練なしに新規ドメインへも適用可能である。
• 実行時設定の柔軟性により、異なるテキストスタイル、省略語フォーマット、ドメイン固有のパターンに適応可能である。
• 本システムは、GPLv3 ライセンスのもとで GATE プラグインとして自由に利用可能であり、広範な採用と統合を促進する。