[論文レビュー] Case Base Mining for Adaptation Knowledge Acquisition

Mathieu d’Aquin, Fadi Badra+4 more|ArXiv.org|Mar 30, 2007

AI-based Problem Solving and Planning参考文献 14被引用数 44

ひとこと要約

本稿では、データマイニング技術—特に頻出閉じたアイテムセット（FCI）抽出—を用いてケースベースをマイニングする、半自動的システムであるCabamakAを提案する。このシステムは、症例ベース推論（CBR）における分野特異的適応ルールを発見する。解釈可能な適応ルール、例えば腫瘍サイズと年齢に基づいて部分的乳房切除術を根治的乳房切除術に置き換えるルールを効果的に抽出し、知識発見と腫瘍学分野における症例ベース意思決定支援の間の実用的ブリッジを実現する。

ABSTRACT

In case-based reasoning, the adaptation of a source case in order to solve the target problem is at the same time crucial and difficult to implement. The reason for this difficulty is that, in general, adaptation strongly depends on domain-dependent knowledge. This fact motivates research on adaptation knowledge acquisition (AKA). This paper presents an approach to AKA based on the principles and techniques of knowledge discovery from databases and data-mining. It is implemented in CABAMAKA, a system that explores the variations within the case base to elicit adaptation knowledge. This system has been successfully tested in an application of case-based reasoning to decision support in the domain of breast cancer treatment.

研究の動機と目的

• 症例ベース推論（CBR）における分野依存的適応知識を獲得するという課題に取り組むこと。これは重要ではあるが、手作業による実装は困難である。
• 既存の症例ベースから適応ルールを抽出するための、知識発見（KDD）を活用した再利用可能で半自動的なシステムの開発。
• 乳がん治療意思決定支援分野の臨床的症例データから、解釈可能で再利用可能な適応ルールを抽出すること。
• 頻出閉じたアイテムセット（FCI）マイニングを、症例適応に関するメタ知識を発見するメカニズムとして使用する可能性を検討すること。
• 潜在的な階層構造やクラスタリングを用いて、発見された適応ルールの提示と整理を簡素化することで、分野専門家を支援すること。

提案手法

• システムはKDDの原則を症例ベースに適用し、それを適応に関するメタ知識を抽出する知識ベースとして扱う。
• Charmに類似したアルゴリズムを用いて、ソースケースのペアから頻出閉じたアイテムセット（FCI）を抽出し、問題と解決策の共通点と相違点を捉える。
• 各FCIは、問題および解決策の特徴が、ケース間で正（+）、負（-）、または等価（=）としてマークされた、潜在的な適応ルールを表す。
• システムは適応を3段階のプロセスとしてモデル化する：（1）ソース問題とターゲット問題の差異を特定し、（2）解決策の修正を導出し、（3）それらを適用してターゲット解決策を生成する。
• OWL DLを用いた分野オントロジーを統合し、ケース特徴の表現とルール抽出における意味的整合性を保証する。
• 専門家による検証を支援するため、構造的かつ解釈可能な形式でルールを提示する。今後の研究では、FCIのクラスタリングや階層的整理を目的としたアプローチを検討する。

実験結果

リサーチクエスチョン

• RQ1 頻出閉じたアイテムセット（FCI）抽出を含むデータマイニング技術が、症例ベースに効果的に適用可能であり、CBRのための再利用可能な適応ルールを発見できるか。
• RQ2 専門家からのヒアリングに完全に依存せず、既存の症例ベースから適応知識を半自動的に獲得する方法は何か。
• RQ3 KDD技術を用いて発見された適応ルールの形式と解釈可能性は、実世界の医療意思決定支援文脈においてどのように評価できるか。
• RQ4 発見されたルールを、クラスタリングや階層構造を用いて意味的に整理可能か。これにより、分野専門家の認知的負荷を軽減できるか。
• RQ5 抽出されたルールの構成を用いて、最小限で閉包的（closure-closed）な基本的適応ルールの集合を導出できるか。

主な発見

• CabamakAは、具体的な適応ルールを効果的に抽出した：ソースケースで70歳未満で腫瘍が4cm未満であり、部分的乳房切除術とリンパ節クレッセーションが行われている場合、ターゲットケースで腫瘍が4cm以上の場合、部分的乳房切除術を根治的乳房切除術に置き換えるべきである。
• システムは、症例ペアからのFCIマイニングが、乳がん治療のような複雑な医療分野においても、解釈可能で分野関連の適応ルールを生成できることを示した。
• 初期の実験では、類似度閾値（k=1から10）で症例ペアをフィルタリングしても、ルール品質に顕著な向上が見られなかった。これは、すべてのペアがルール発見に価値を持つ可能性を示唆している。
• このアプローチにより、問題の差異に基づいて解決策をどのように修正すべきかというメタ知識—すなわち、暗黙の適応専門知識の形式化—が得られた。
• 今後の研究として、ルールの合成と最小ルールセットの発見が支援され、抽出された多数のルールを検証するための専門家の作業負荷を軽減することを目的としている。
• 標準的なOWL DLを用いたケースとオントロジー表現の採用により、この手法はCBRアプリケーション全体に再利用可能である。