[論文レビュー] Exploration on Generating Traditional Chinese Medicine Prescription from Symptoms with an End-to-End method

Wei Li, Yang Zheng+1 more|arXiv (Cornell University)|Jan 27, 2018

Natural Language Processing Techniques参考文献 18被引用数 20

ひとこと要約

本稿では、テキストによる症状記述から伝統的中国医学（TCM）処方を生成するためのエンドツーエンドのシーケンス・ツー・シーケンス（seq2seq）モデルを提案する。Coverage機構とソフト損失関数を導入することで、孤立した症状ではなく包括的な疾患パターンをモデル化し、繰り返しを低減するとともに再現率を向上させ、専門家評価で7.3/10のスコアを達成した。

ABSTRACT

Traditional Chinese Medicine (TCM) is an influential form of medical treatment in China and surrounding areas. In this paper, we propose a TCM prescription generation task that aims to automatically generate a herbal medicine prescription based on textual symptom descriptions. Sequence-to-sequence (seq2seq) model has been successful in dealing with sequence generation tasks. We explore a potential end-to-end solution to the TCM prescription generation task using seq2seq models. However, experiments show that directly applying seq2seq model leads to unfruitful results due to the repetition problem. To solve the problem, we propose a novel decoder with coverage mechanism and a novel soft loss function. The experimental results demonstrate the effectiveness of the proposed approach. Judged by professors who excel in TCM, the generated prescriptions are rated 7.3 out of 10. It shows that the model can indeed help with the prescribing procedure in real life.

研究の動機と目的

• 自然言語による症状記述から自動的にTCM処方を生成するためのAI駆動ツールの不足に対処すること。
• 標準的なseq2seqモデルがTCM薬材構成を生成する際に生じる繰り返し問題を克服すること。
• 順序に強く依存するseq2seqモデルの制約を軽減し、順序の自由な薬材処方の性能を向上させること。
• 症状を孤立して扱うのでなく、TCMの包括的「辨証」（パターン分類）を捉えるモデルを構築すること。
• 専門家による評価を通じてモデルの臨床的妥当性を評価し、人間の医師を代替するのでなく支援することを目的とする。

提案手法

• 症状の符号化にエンコーダー、薬材シーケンスの生成にデコーダーを備えたエンドツーエンドのシーケンス・ツー・シーケンス（seq2seq）アーキテクチャを採用する。
• 生成済みトークンの注目度をモニタリングすることで、繰り返しの薬材生成を追跡・ペナルティ化する、デコーダー内に新規のCoverage機構を導入する。
• 標準的なseq2seqの厳密な順序制約を緩和し、トレーニング中に薬材の順序を柔軟に許容する、ソフト損失関数を提案する。
• TCM古典およびデジタルリソースから抽出した82,044組の症状-処方ペアから構成される洗練されたデータセットでモデルを学習する。
• 推論時において重複を除去し、有効な処方形式を保証するためのポストプロセッシングを適用する。
• 自動指標と専門家評価の両方を用いて、生成品質および臨床的妥当性を評価する。

実験結果

リサーチクエスチョン

• RQ1 seq2seqモデルは、自然言語による症状記述からTCM処方を効果的に生成できるか？
• RQ2 標準的なseq2seqモデルにおける繰り返し問題が、TCM処方生成の品質にどのように影響するか？
• RQ3 Coverage機構は、TCM処方生成における冗長な薬材の生成をどの程度低減できるか？
• RQ4 ソフト損失関数は、厳密なトークン順序制約を緩和することで、モデルの性能をどのように向上させるか？
• RQ5 モデルは、症状を孤立して扱うのでなく、包括的な「辨証」（パターン分類）を反映した処方を生成できるか？

主な発見

• 提案手法は、ベースラインのseq2seqモデルと比較して、生成された処方における繰り返しを顕著に低減した。
• 専門家評価で7.3/10のスコアを達成し、臨床的妥当性と実用的有用性が強く示された。
• 専門家評価において、基本的なseq2seqモデルおよびマルチラベルベースラインモデルを上回り、疾患パターンの捉え方において特に優れた性能を示した。
• Coverage機構は、デコード中における繰り返しの薬材トークンの追跡と抑制を効果的に行えた。
• ソフト損失関数により、TCMの弱い順序構造に適合する柔軟な薬材順序を許容することで、再現率が向上した。
• モデルは、孤立した症状に基づいて薬材を生成するのではなく、疾患全体のパターン（「辨証」）をよりよく理解する能力を向上させた。