[論文レビュー] NILE: Fast Natural Language Processing for Electronic Health Records

Sheng Yu, Tianrun Cai+1 more|arXiv (Cornell University)|Nov 23, 2013

Topic Modeling参考文献 40被引用数 26

ひとこと要約

NILE は、電子歴史記録（EHR）向けに高速でルールベースの自然言語処理パッケージであり、効率的な名前付きエンティティ認識のための修正されたプレフィックスツリー・アルゴリズムと、意味解析のための有限状態マシンを採用している。cTAKES や MedTagger といった既存のツールと比較して、処理速度が数百～数千倍速く、2010 年 i2b2/VA チャレンジのトップパフォーマンスを示す機械学習モデルと同等の存在分類精度を達成している。

ABSTRACT

Objective: Narrative text in Electronic health records (EHR) contain rich information for medical and data science studies. This paper introduces the design and performance of Narrative Information Linear Extraction (NILE), a natural language processing (NLP) package for EHR analysis that we share with the medical informatics community. Methods: NILE uses a modified prefix-tree search algorithm for named entity recognition, which can detect prefix and suffix sharing. The semantic analyses are implemented as rule-based finite state machines. Analyses include negation, location, modification, family history, and ignoring. Result: The processing speed of NILE is hundreds to thousands times faster than existing NLP software for medical text. The accuracy of presence analysis of NILE is on par with the best performing models on the 2010 i2b2/VA NLP challenge data. Conclusion: The speed, accuracy, and being able to operate via API make NILE a valuable addition to the NLP software for medical informatics and data science.

研究の動機と目的

• 構造化情報の抽出を目的とした、非構造的 EHR ナラティブからのスケーラブルで効率的な NLP ツールの増加するニーズに対応すること。
• 処理速度において既存ツールを上回りながらも、高い正確性を維持する高パフォーマンス NLP システムの開発。
• データサイエンティストが多様な EHR データシステムと連携する際の柔軟性を提供する、Java パッケージおよび API を通じたプログラム可能な NLP 解決策の提供。
• 処理のボトルネックを最小限に抑えることで、フェノタイプワイド関連研究などの大規模 EHR 分析を可能にすること。
• 特にアノテート済みトレーニングデータが限られる状況において、データ集約型の機械学習モデルに対する強力でルールベースの代替手段を提供すること。

提案手法

• NILE は、医療用語の共通プレフィックスおよびサフィックスを効率的に検出できるように修正されたプレフィックスツリー探索アルゴリズムを採用しており、辞書ベースの名前付きエンティティ認識を高速化している。
• ルールベースの有限状態マシンを用いて、否定、場所、修飾、家族歴、条件的状態の検出を含む意味解析を実行している。
• Java パッケージとして実装されており、プログラム可能な API を備えているため、EHR データ抽出用のカスタムデータパイプラインへの統合が可能である。
• 標準およびカスタマイズ可能なルールセットをサポートしており、2010 年 i2b2/VA チャレンジ用に調整されたキーワード論理を備えた特別なバージョンも提供している。
• 大容量の辞書（例：UMLS）を用いてもパフォーマンス低下が最小限に抑えられるよう設計されており、高いスループットを実現している。
• マルチスレッド対応の Windows 実行可能ファイルバージョンも提供されており、ローカルシステムでのパフォーマンス向上を図っている。

実験結果

リサーチクエスチョン

• RQ1 EHR の NLP 処理速度を、正確性を損なわず著しく向上させることは可能か？
• RQ2 ルールベースの意味解析は、臨床テキスト分類において機械学習モデルとどの程度同等のパフォーマンスを示せるか？
• RQ3 軽量で API アクセス可能な NLP パッケージは、UIMA のような複雑な GUI ベースのフレームワークを上回ることができるか？
• RQ4 NILE は、否定、仮説的文、臨床ノート内の条件的状態といった複雑な言語的キューをどのように処理しているか？
• RQ5 大規模 EHR NLP システムにおいて、辞書サイズが処理速度に与える影響は何か？

主な発見

• NILE は、cTAKES よりも 2,000 倍、MedTagger よりも 400 倍高速に EHR テキストを処理でき、処理速度は辞書サイズにほとんど依存しない。
• 2010 年 i2b2/VA チャレンジのテストセットにおける存在分類の F1 スコアは、「present」で 0.954、「absent」で 0.934 であり、トップパフォーマンスを示す機械学習モデルと同等またはそれを上回っている。
• NILE の意味解析は、「someone_else」で F1 スコア 0.954、「hypothetical」で 0.860 を達成し、臨床状態の微妙な差を的確に捉える強力な性能を示している。
• 「conditional」と「possible」状態の正確性は、それぞれ 0.355 と 0.627 であり、他のカテゴリに比べて低かったが、ルールベースシステムとしては依然として許容範囲内であった。
• 処理時間の大部分は NLP ではなく I/O に起因しており、NILE のコアエンジンが極めて最適化されており、I/O が現在のボトル neck であることが示された。
• NILE の柔軟性は、2010 年 i2b2/VA チャレンジのラベル付け論理に適合させるなど、ベンチマーク用にカスタマイズ可能な能力によって実証されており、研究統合における有用性が際立っている。