[論文レビュー] Visualization of Diseases at Risk in the COVID-19 Literature

Francis Wolinski|arXiv (Cornell University)|May 2, 2020

COVID-19 diagnosis using AI参考文献 7被引用数 6

ひとこと要約

この論文では、WHOのICD-11分類を用いて、CORD-19コーパスから疾患およびリスク要因を自動で抽出する自然言語処理システム、VIDAR-19を紹介する。キーワードベースの抽出パイプラインをflashtextを用いて実装し、インタラクティブダッシュボードで可視化することで、研究者が疾患リスクの階層構造を探索し、重症COVID-19結果に関連する共存疾患を高い正確性で特定できる。

ABSTRACT

This paper presents a project, named VIDAR-19, able to extract automatically diseases from the CORD-19 dataset, and also diseases which might be considered as risk factors. The project relies on the ICD-11 classification of diseases maintained by the WHO. This nomenclature is used as a data source of the extraction mechanism, and also as the repository for the results. Developed for the COVID-19, the project has the ability to extract diseases at risk and to calculate relevant indicators. The outcome of the project is presented in a dashboard which enables the user to explore graphically diseases at risk which are put back in the classification hierarchy. Beyond the COVID-19, VIDAR has much broader applications and might be directly used for any corpus dealing with other pathologies.

研究の動機と目的

• 急増するCOVID-19文献における共存疾患やリスク要因の報告が散在的かつ非構造的であるという課題に対処すること。
• 標準化された医療分類を用いて科学的テキストから疾患およびリスク要因を自動で抽出するシステムの開発。
• ICD-11フレームワーク内での疾患リスク階層の直感的な探索を可能にするインタラクティブ可視化ダッシュボードの作成。
• COVID-19に限らず、任意のバイオメディカルコーパスにおける疾患リスク分析に応用可能なスケーラブルかつ再利用可能なツールの提供。

提案手法

• システムはICD-11分類を参照オントロジーとして用い、ルートから各疾患への明示的なパス表現を含む階層的データフレームに構造化して読み込む。
• flashtextライブラリを用いて、疾患名の高速かつマルチパスキーワードマッチングを実行し、複雑または曖昧な名前の処理のための前処理（例：コロン以降の説明を除去）を実施。
• 抽出パイプラインは、CORD-19データセット全体を処理し、ICD-11コード付与済み疾患および潜在的リスク要因のメンチョンを特定する。データソースや追加基準によるフィルタリングも可能。
• ICD-11階層の各レベルで、出現頻度や相対的リスク寄与率といった主要指標を計算・集約。
• Plotly Dashを基盤とするダッシュボードにより、トゥリーマップ、シェアチャート、階層ナビゲーションを実装。可視化間で一貫した色分けを実現。
• 動的フィルタリング、ソース選択、および特定の疾患やリスク要因に対応する元のソース文書へのドリルダウンをサポート。

実験結果

リサーチクエスチョン

• RQ1 科学文献において、重症COVID-19結果のリスク要因として最も頻繁に報告されている疾患は何か？
• RQ2 CORD-19コーパスからICD-11疾患を自動抽出する手法が、糖尿病、心疾患、肥満といった既知の高リスク共存疾患とどの程度整合するか？
• RQ3 ICD-11のような階層的で標準化された分類は、バイオメディカル文献における疾患リスク可視化の解釈可能性と一貫性をどの程度向上できるか？
• RQ4 このシステムの出力は、臨床ガイドラインでまだ広く認識されていない新規または未報告のリスク要因を同定するために利用可能か？

主な発見

• システムはCORD-19コーパスから15,286件のICD-11コード付与済み疾患を正常に抽出し、前処理により複雑な疾患名のマッチング精度が向上した。
• リスクの高い上位疾患（例：慢性肺疾患、糖尿病、心不全、肥満）は、CDCおよびNYUグロスマン病院の重症COVID-19結果に関する臨床的知見とよく一致した。
• ダッシュボードはICD-11全階層にわたる疾患リスクのインタラクティブな探索を可能にし、一貫した色分けと階層ナビゲーションにより明確性を確保した。
• システムの結果は動的に更新可能であり、パブリックGitHubリポジトリからアクセス可能で、再現性と長期的有用性を確保した。
• 本研究は、大規模バイオメディカルコーパスからのオントロジー駆動の自動抽出が、行動可能な視覚的直感的インサイトを生み出せることを示した。