[論文レビュー] Finding Similar Medical Questions from Question Answering Websites

Yaliang Li, Liuyi Yao+6 more|arXiv (Cornell University)|Oct 14, 2018

Expert finding and Q&A systems参考文献 24被引用数 6

ひとこと要約

本稿では、コロフサイズドQ&Aウェブサイトにおける意味的に類似した医療質問を特定するため、エンドツーエンドのLSTMベースのシステムを提案する。質問の密なベクトル表現を学習することで、詳細な医療情報の捕捉と表現の多様性の処理を効果的に行い、実世界の母体・乳児Q&Aデータセットにおける未解決の質問に対する関連過去質問の特定において、高い正確性とランク相関を達成した。

ABSTRACT

The past few years have witnessed the flourishing of crowdsourced medical question answering (Q&A) websites. Patients who have medical information demands tend to post questions about their health conditions on these crowdsourced Q&A websites and get answers from other users. However, we observe that a large portion of new medical questions cannot be answered in time or receive only few answers from these websites. On the other hand, we notice that solved questions have great potential to solve this challenge. Motivated by these, we propose an end-to-end system that can automatically find similar questions for unsolved medical questions. By learning the vector presentation of unsolved questions and their candidate similar questions, the proposed system outputs similar questions according to the similarity between vector representations. Through the vector representation, the similar questions are found at the question level, and the diversity of medical questions expression issue can be addressed. Further, we handle two more important issues, i.e., training data generation issue and efficiency issue, associated with the LSTM training procedure and the retrieval of candidate similar questions. The effectiveness of the proposed system is validated on a large-scale real-world dataset collected from a crowdsourced maternal-infant Q&A website.

研究の動機と目的

• 多数の医療質問と限られた対応能力のため、コロフサイズドQ&Aプラットフォームで未解決の医療質問が生じる課題に対処すること。
• 既存の解決済み質問を知識源として活用し、新しい医療質問への迅速な対応を促進すること。
• キーワードベースおよび単語類似度手法の限界を克服し、医療表現における意味的多様性と臨床的詳細を適切に扱うこと。
• ディープラーニングを用いて意味的なベクトル表現を学習するエンドツーエンドのシステムを開発すること。
• 大規模な実世界の母体・乳児Q&Aデータセット上で、システムの有効性を検証すること。

提案手法

• 長短記憶（LSTM）ネットワークを用いて、臨床的詳細を捉える固定長の実数値ベクトル表現に医療質問を符号化する。
• 語のシーケンスからの文脈的・意味的情報を学習するため、多数の解決済み医療質問のコーパス上でLSTMモデルを学習する。
• 埋め込み表現に基づく類似度（例：コサイン類似度）を用いて、クエリとアーカイブ済み質問との類似度を測定し、関連性の高い過去の質問を検索する。
• 同義語置換を用いたデータ拡張戦略を導入し、表現のばらつきに対する耐性を高める。
• 学習済み埋め込み上での近似最近傍探索技術を活用することで、検索パイプラインの効率性を最適化する。
• 単語レベルと文レベルの表現を組み合わせたハイブリッドアプローチを採用し、意味的マッチングの正確性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 LSTMベースの文表現は、短く臨床的詳細を含む医療質問の意味的意味を効果的に捉えられるか？
• RQ2 学習されたベクトル表現は、同じ医療概念の多様な表現に一般化して適応できるか？
• RQ3 ベクトル類似度は、キーワードベースや単語類似度手法に比べて、意味的に類似した医療質問の特定においてどの程度優れているか？
• RQ4 大規模な実世界の医療Q&Aデータセットにおいて、システムは高い検索正確性を維持しながらスケーラブルか？
• RQ5 人間によるアノテーション評価と自動評価指標の両者を比較した場合、類似質問の関連性評価においてどのような差が生じるか？

主な発見

• 提案手法は、人間による評価によって裏付けられた高い正確性と強いランク相関を達成し、関連する類似質問の特定に成功した。
• 同義語置換（例：'baby' と 'child'）を施した質問間のベクトル類似度は1.0に近い値を示し、意味的符号化の堅牢性を示した。
• 『My child has recurrent thrush. How to cure it?』の変更版に対して、0.99の類似度を持つ類似質問を同定した。
• 医療的意味が変化した場合（例：'thrush' から 'cold' に変更）、類似度が著しく低下（0.52に低下）したため、臨床的意味への感受性が確認された。
• 事例研究により、検索された類似質問が患者にとって意味的かつ臨床的に関連性があることが確認された。
• 本手法は、微細な臨床的詳細と表現の多様性を捉える点で、従来のキーワードおよび単語類似度ベースのアプローチを上回った。