[論文レビュー] Sentiment-Aware Recommendation System for Healthcare using Social Media

Alan Aipe, Mukuntha Narayanan Sundararaman+1 more|arXiv (Cornell University)|Sep 18, 2019

Sentiment Analysis and Opinion Mining被引用数 5

ひとこと要約

本稿では、ソーシャルメディアを活用した医療分野向けの感情認識型推薦システムを提案する。医療感情分類にスタックドCNN-LSTM-CNNモデルを適用し、関連するフォーラム投稿を抽出するための新規類似度メトリクスを導入する。さらに、感情と医療概念抽出を統合した確率的治療提案フレームワークを提案し、類似度検索の向上と、感情に配慮した強固な提案パイプラインを実証し、質的検証を実施した。

ABSTRACT

Over the last decade, health communities (known as forums) have evolved into platforms where more and more users share their medical experiences, thereby seeking guidance and interacting with people of the community. The shared content, though informal and unstructured in nature, contains valuable medical and/or health-related information and can be leveraged to produce structured suggestions to the common people. In this paper, at first we propose a stacked deep learning model for sentiment analysis from the medical forum data. The stacked model comprises of Convolutional Neural Network (CNN) followed by a Long Short Term Memory (LSTM) and then by another CNN. For a blog classified with positive sentiment, we retrieve the top-n similar posts. Thereafter, we develop a probabilistic model for suggesting the suitable treatments or procedures for a particular disease or health condition. We believe that integration of medical sentiment and suggestion would be beneficial to the users for finding the relevant contents regarding medications and medical conditions, without having to manually stroll through a large amount of unstructured contents.

研究の動機と目的

• 非構造的な医療フォーラムコンテンツから関連する医療情報や治療法の提案をユーザーが容易に得られるように支援する、患者支援型医療システムの開発。
• 非公式で非構造的なソーシャルメディア投稿から意味のある医療的感情と治療法の提案を抽出する課題への対処。
• 感情と医療的文脈に基づき、類似する投稿と有効な治療法を推薦することで、ユーザー体験の向上。
• 類似した健康状態を有する患者に対する感情に配慮した支援と情報に基づいた意思決定を可能にするスケーラブルなフレームワークの構築。

提案手法

• フォーラム投稿における医療感情分類のため、畳み込みニューラルネットワーク（CNN）、長短期記憶（LSTM）、および再びCNNを組み合わせたスタックドディープラーニングアーキテクチャを提案する。
• 医療概念類似度（MISim）と感情類似度を統合した、新規類似度メトリクスを導入し、上位n件の類似フォーラム投稿を検索する。
• Apache cTAKESを用いて、UMLS知識ベースを活用し、投稿から医療概念（例：疾患、治療法）を抽出・正規化する。
• 特定の疾患の文脈において、肯定的な感情が関連する治療法が有効である確率を計算する確率的治療提案モデルを開発する。
• 治療法の提案数を制御するためのハイパーパrameter τを導入し、アプリケーションのニーズに応じたチューニングを可能にする。
• 感情と医療概念の重複を統合する類似度スコア関数（式5）を適用し、関連するフォーラム投稿をランク付けする。

実験結果

リサーチクエスチョン

• RQ1 フォーラム投稿における全体的な医療的感情を理解するための効率的な多クラス分類器を構築できるか？
• RQ2 感情と医療コンテンツの両方を考慮した場合に、2つの医療フォーラム投稿間の類似度を効果的にモデル化できるか？
• RQ3 フォーラム投稿からの感情と医療概念情報を利用することで、有効な治療法提案アルゴリズムを提案できるか？

主な発見

• 提案されたスタックドCNN-LSTM-CNNモデルは、肯定的センチメントの投稿に対してピアソン相関係数0.3586を達成し、テキスト類似度を用いたベースラインKNN（0.2104）を上回った。
• 提案された類似度メトリクスのPrecision@5は、肯定的センチメントの投稿に対して0.6638であったのに対し、KNNベースラインは0.5467であった。
• 提案手法の5番目までの正規化割引累積利得（nDCG）は、肯定的センチメントの場合に6.0106であった。これはベースライン（2.1826）よりも顕著に高い。
• すべてのセンチメントクラスにおいて、検索パフォーマンスが向上し、KNNベースラインに比べて精度とnDCGの両方で一貫した向上を示した。
• 治療法提案モジュールは、肯定的センチメント結果に関連する治療法のみを提案するという本質的な制限を持つため、関連性が保たれ、ノイズが低減される。
• ベンチマークデータセットが不足しているにもかかわらず、感情分類パイプラインに妥当性があり、性能は正確な感情および概念抽出に依存する。