[論文レビュー] PubMed and Beyond: Biomedical Literature Search in the Age of Artificial Intelligence

Qiao Jin, Robert Leaman+1 more|arXiv (Cornell University)|Jul 18, 2023

Biomedical Text Mining and Ontologies参考文献 91被引用数 4

ひとこと要約

この論文は、エビデンスベースド・メディスン、ゲノミクス、意味的検索、文献推薦、コンセプト関連性抽出の5つの主要な情報ニーズをカバーする、36種類のAI駆動型バイオメディカル文献検索ツールを調査・評価している。大規模言語モデル（LLM）がキーワードマッチングを超えて検索をどのように向上させるかを示し、研究者および臨床医に実用的なガイダンスを提供する。

ABSTRACT

Biomedical research yields a wealth of information, much of which is only accessible through the literature. Consequently, literature search is an essential tool for building on prior knowledge in clinical and biomedical research. Although recent improvements in artificial intelligence have expanded functionality beyond keyword-based search, these advances may be unfamiliar to clinicians and researchers. In response, we present a survey of literature search tools tailored to both general and specific information needs in biomedicine, with the objective of helping readers efficiently fulfill their information needs. We first examine the widely used PubMed search engine, discussing recent improvements and continued challenges. We then describe literature search tools catering to five specific information needs: 1. Identifying high-quality clinical research for evidence-based medicine. 2. Retrieving gene-related information for precision medicine and genomics. 3. Searching by meaning, including natural language questions. 4. Locating related articles with literature recommendation. 5. Mining literature to discover associations between concepts such as diseases and genetic variants. Additionally, we cover practical considerations and best practices for choosing and using these tools. Finally, we provide a perspective on the future of literature search engines, considering recent breakthroughs in large language models such as ChatGPT. In summary, our survey provides a comprehensive view of biomedical literature search functionalities with 36 publicly available tools.

研究の動機と目的

• 人工知能（AI）の時代におけるバイオメディカル文献検索の複雑化に対処すること。
• 臨床医および研究者が高品質で文脈に配慮した文献取得を求める際の、現在のツールにおけるギャップを特定すること。
• キーワードベースの検索を越えて、意味的理解とパーソナライズドレコメンデーションに焦点を当てたAI強化型ツールを評価すること。
• 臨床およびバイオメディカル研究における文献検索ツールの選定および使用に関する実行可能なベストプラクティスを提供すること。
• 特にChatGPTの背後にあるような大規模言語モデル（LLM）の統合を含む、文献検索の今後のトレンドを予測すること。

提案手法

• 機能性およびターゲットユーザーのニーズ別に分類された、36種類の公開済みバイオメディカル文献検索ツールの体系的サーベイ。
• PubMedの最近のAI統合的強化（意味的インデクシング、関連性順位付けの改善など）の分析。
• 自然言語クエリを用いた意味ベースの検索を支援するツール（例：質疑応答インターフェース）の評価。
• 埋め込みモデルおよびベクトル検索を活用した文献推薦およびコンセプト関連性発見のためのツールの評価。
• 自然言語処理（NLP）および知識グラフ技術を用いて、バイオメディカルエンティティ（例：遺伝子、疾患、薬剤）を抽出・リンクするツールの評価。
• 大規模言語モデル（LLM）の知見を統合し、知能的な文献検索システムの今後の方向性を示唆すること。

実験結果

リサーチクエスチョン

• RQ1 現代のAI強化型文献検索ツールは、生物学的文脈における従来のキーワードベース検索に比べて、どのように改善されているか？
• RQ2 エビデンスベースド・メディスンに必要な高品質な臨床的エビデンスを取得するのに最も効果的なツールは何か？
• RQ3 意味的検索および自然言語クエリは、バイオメディカル文献検索における正確性（precision）と再現性（recall）をどの程度向上させるか？
• RQ4 文献推薦システムは、ユーザーの文脈や過去の検索履歴に基づいて、どのように関連する論文を特定・提案するか？
• RQ5 大規模言語モデル（LLM）は、キーワードマッチングから文脈的理解への文献検索の変革に、どのように寄与しているか？

主な発見

• 特に埋め込みベースおよびLLM駆動の手法を統合したAIの導入により、従来のPubMedキーワード検索に比べ、検索の正確性と関連性が顕著に向上している。
• 意味的および自然言語クエリをサポートするツール（例：質疑応答インターフェース）は、文脈に即した関連論文の抽出において高い正確性を示している。
• 遺伝子変異と疾患の関連をリンクするような、ゲノミクスおよび精密医療に特化したツールは、臨床研究ワークフローにおいて高い実用性を示している。
• 協調フィルタリングおよび埋め込み類似度を活用した文献推薦システムは、関連性の高い論文を特定する上で優れたパフォーマンスを発揮している。
• バイオメディカルコンセプト間の関連性（例：薬剤-疾患、遺伝子-フェノタイプ）を抽出するAI駆動のツールは、キーワードベースの手法に比べ、新規で明確でない関連性を発見する上で優れている。
• 進展は見られるが、評価指標の標準化、およびツール間での透明性と再現可能性の確保という課題は依然として残っている。