[論文レビュー] Using Natural Language Processing to Develop an Automated Orthodontic Diagnostic System

Tomoyuki Kajiwara, Chihiro Tanikawa+4 more|arXiv (Cornell University)|May 31, 2019

Biomedical Text Mining and Ontologies参考文献 6被引用数 3

ひとこと要約

本論文では、自由記述の歯科医師証明書から歯科矯正問題を抽出し、治療の優先順位で並べ替えるNLPベースの自動歯科矯正診断システムを提案する。bag-of-words（BoW）、one-of-k（OoK）、Universal Sentence Encoder（USE）埋め込みとSVM-rankを組み合わせた手法により、問題検出のF1スコアは0.585、人間の順位付けとのスピアマン順位相関は0.584を達成し、臨床意思決定支援の可能性が示された。

ABSTRACT

We work on the task of automatically designing a treatment plan from the findings included in the medical certificate written by the dentist. To develop an artificial intelligence system that deals with free-form certificates written by dentists, we annotate the findings and utilized the natural language processing approach. As a result of the experiment using 990 certificates, 0.585 F1-score was achieved for the task of extracting orthodontic problems from findings, and 0.584 correlation coefficient with the human ranking was achieved for the treatment prioritization task.

研究の動機と目的

• 歯科医師が作成した自由記述の臨床ノートから、AIを用いて歯科矯正診断と治療計画を自動化するシステムの開発。
• 医療証明書に記載された非構造的で自然言語による記述から意味のある歯科矯正問題を抽出する課題に対処すること。
• 臨床的重症度に基づいて治療計画を優先順位付けし、専門歯科医の推論を模倣すること。
• 要約と意思決定支援の自動化により、歯科矯正診療における診断ミスと作業負荷を低減すること。
• NLPおよび機械学習を用いた歯科における臨床意思決定支援の可能性を検討すること。

提案手法

• 本システムは、bag-of-words（BoW）、one-of-k（OoK）、Universal Sentence Encoder（USE）埋め込みを用いて、自由記述の医療証明書から特徴を抽出する自然言語処理（NLP）を採用する。
• 多ラベル分類にはSVMおよびディープラーニングモデルを用い、400以上の医療状態ラベルを対象に、テキストから歯科矯正問題を同定する。
• ベクトル化された問題記述を用いて、SVM-rankに基づく学習による順位付けモデルを適用し、抽出された問題の優先順位を決定する。
• 問題検出にはF1スコア、治療優先順位付けにはスピアマン順位相関を用いて、モデルの性能を評価する。
• 文の対応付けおよび翻訳技術を用いて、患者への説明に適した簡素化された言語を生成するが、テキスト簡略化は今後の課題として残す。
• 隠れ層サイズや正則化（C）などのハイパーパrameterは、最適な性能を得るために検証データ上で調整された。

実験結果

リサーチクエスチョン

• RQ1 NLP技術は、歯科医師が作成した非構造的で自由記述の臨床ノートから、歯科矯正問題を効果的に抽出できるか？
• RQ2 自動化されたシステムは、人間の専門家と比較して、臨床的優先順位に基づいて歯科矯正問題をどの程度うまく順位付けできるか？
• RQ3 BoW、OoK、USEのうち、どの埋め込み手法が、歯科矯正状態の診断と優先順位付けにおいて最も優れた性能を示すか？
• RQ4 機械学習モデルは、テキストデータのみを用いて、経験豊富な歯科矯正医の診断的推論をどの程度再現できるか？
• RQ5 NLPベースのシステムは、診断作業負荷を低減し、経験の浅い歯科医師の臨床意思決定支援に寄与できるか？

主な発見

• 本システムは、自由記述の所見から歯科矯正問題を検出する際、F1スコア0.585を達成し、多ラベル分類において中程度から高い性能を示した。
• 治療優先順位付けモデルは、人間の順位付けとのスピアマン順位相関係数0.584を達成し、専門家の判断と強い正の相関があることが示された。
• Universal Sentence Encoder（USE）モデルは、BoWおよびOoKを上回り、優先順位付けにおいて最高の相関（0.584）を達成した。これは、より洗練された意味的表現に起因すると考えられる。
• 問題検出においてはBoWモデルが最も優れた性能を示した。これは、文構造の複雑さや臨床ノートに見られる不完全な表現に対して、感度が低いためと推測される。
• OoKモデルは、優先順位付けにおいてBoW（0.566 vs. 0.513）を上回った。これは、ラベルベースの特徴が臨床的専門知識をよりよく反映している可能性を示唆している。
• 結果から、NLPベースのシステムは専門家の診断的推論の一部を再現可能であり、臨床意思決定支援への応用が有効であると示唆された。