[論文レビュー] CLINIQA: A Machine Intelligence Based Clinical Question Answering System

M. A. H. Zahid, Ankush Mittal+2 more|arXiv (Cornell University)|May 15, 2018

Topic Modeling参考文献 21被引用数 9

ひとこと要約

CLINIQA は、自然言語処理、統合医療用語体系（UMLS）を用いた意味解析、および教師あり機械学習を活用して文書の分類、質問の焦点特定、回答の選定を行う、機械知覚に基づく臨床質問応答システムである。100件の臨床質問を対象に評価した結果、分野特有のヒューリスティクスと最適化されたテキストマイニング部品を用いることで効果的な性能を発揮し、臨床情報検索の向上に実用的なアプローチを示した。

ABSTRACT

The recent developments in the field of biomedicine have made large volumes of biomedical literature available to the medical practitioners. Due to the large size and lack of efficient searching strategies, medical practitioners struggle to obtain necessary information available in the biomedical literature. Moreover, the most sophisticated search engines of age are not intelligent enough to interpret the clinicians' questions. These facts reflect the urgent need of an information retrieval system that accepts the queries from medical practitioners' in natural language and returns the answers quickly and efficiently. In this paper, we present an implementation of a machine intelligence based CLINIcal Question Answering system (CLINIQA) to answer medical practitioner's questions. The system was rigorously evaluated on different text mining algorithms and the best components for the system were selected. The system makes use of Unified Medical Language System for semantic analysis of both questions and medical documents. In addition, the system employs supervised machine learning algorithms for classification of the documents, identifying the focus of the question and answer selection. Effective domain-specific heuristics are designed for answer ranking. The performance evaluation on hundred clinical questions shows the effectiveness of our approach.

研究の動機と目的

• 医療従事者が膨大な生物医学文献から情報を非効率に検索する課題に対処すること。
• 臨床医の質問を正確に解釈し、正確な回答を取得する自然言語理解システムの開発。
• 質問および医療文書の両方の意味解析に UMLS を用いることで、文脈的理解を向上させること。
• 臨床文脈における文書分類および回答選定に、教師あり機械学習を適用すること。
• 効果的な回答ランク付けとシステム最適化のための分野特有のヒューリスティクスの設計。

提案手法

• 臨床質問および生物医学文書の意味的正規化と分析に、統合医療用語体系（UMLS）を活用する。
• 後続の NLP タスク用に、臨床テキストの前処理および表現にテキストマイニングアルゴリズムを適用する。
• 関連文書の分類および臨床質問の焦点特定に、教師あり機械学習モデルを用いる。
• 意味的類似性および文脈的関連性に基づく回答選定メカニズムを統合する。
• 臨床的関連性および正確性を考慮して、候補回答のランク付けに分野特有のヒューリスティクスを実装する。
• さまざまなテキストマイニングおよび NLP 技術の厳密な評価を通じて、最適なコンポーネントを選定する。

実験結果

リサーチクエスチョン

• RQ1 機械知覚システムは、自然言語で表現された臨床質問を効果的に解釈し、生物医学文献から正確な回答を取得できるか？
• RQ2 UMLS を用いた意味解析は、臨床クエリおよび文書の理解をどのように向上させるか？
• RQ3 教師あり学習とヒューリスティクスベースのランク付け戦略の組み合わせで、臨床QAにおいて最適なパフォーマンスを達成できるか？
• RQ4 分野特有のヒューリスティクスは、臨床QAにおける回答ランク付けの正確性をどの程度向上させるか？
• RQ5 従来の検索エンジンと比較して、本システムは実世界の臨床質問に対してどの程度の性能を示すか？

主な発見

• 最適化されたテキストマイニングおよび NLP コンポーネントの選択を通じて、100件の臨床質問に対する効果的な性能が示された。
• 教師あり機械学習モデルは、文書分類および質問の焦点特定において顕著な改善をもたらした。
• UMLS を用いた意味解析により、臨床用語および関係の文脈的理解が向上した。
• 分野特有のヒューリスティクスは、情報抽出における回答ランク付けと正確性の向上に寄与した。
• 自然言語クエリの解釈および関連回答の提供において、従来の検索エンジンを上回る性能を示した。
• 評価により、機械学習とルールベースのヒューリスティクスを組み合わせたハイブリッドアプローチの実現可能性と有効性が確認された。