[論文レビュー] What does it all mean? Capturing Semantics of Surgical Data and Algorithms with Ontologies

Darko Katić, Maria Maleshkova+10 more|arXiv (Cornell University)|May 22, 2017

Biomedical Text Mining and Ontologies参考文献 8被引用数 4

ひとこと要約

本論文は、外科学的データとアルゴリズムの分野固有のオントロジーを提案し、意味の標準化を図ることで、外科学的データサイエンスにおける共有理解、相互運用性、およびデータ・アルゴリズムの再利用の向上を実現する。BFOおよび関連オントロジーを用いてデータ、アルゴリズム、プロバンスをモデル化することで、意味的検索、機械学習、異種の外科学的データソース間での共同研究を支援する。

ABSTRACT

Every year approximately 234 million major surgeries are performed, leading to plentiful, highly diverse data. This is accompanied by a matching number of novel algorithms for the surgical domain. To garner all benefits of surgical data science it is necessary to have an unambiguous, shared understanding of algorithms and data. This includes inputs and outputs of algorithms and thus their function, but also the semantic content, i.e. meaning of data such as patient parameters. We therefore propose the establishment of a new ontology for data and algorithms in surgical data science. Such an ontology can be used to provide common data sets for the community, encouraging sharing of knowledge and comparison of algorithms on common data. We hold that this is a necessary foundation towards new methods for applications such as semantic-based content retrieval and similarity measures and that it is overall vital for the future of surgical data science.

研究の動機と目的

• 外科学的データサイエンスにおけるデータおよびアルゴリズムの多様性に起因する共有される意味的理解の欠如を解消すること。
• 研究コミュニティ間での外科学的データおよびアルゴリズムの一貫性のある比較、共有、再利用を可能にすること。
• 信頼性評価および再現可能性のため、データプロバンスおよびアルゴリズム的プロセスのモデル化。
• 意味ベースの検索やパイプライン推薦といった高度な応用を支援すること。
• 意味的訓練データおよびアルゴリズム選択を可能にする仕組みを提供することで、機械学習の基盤を構築すること。

提案手法

• 標準化および相互運用性を保証するため、上位オントロジーとしてBasic Formal Ontology (BFO) の使用。
• 情報アーティファクトオントロジーおよび生物医学的調査オントロジーなどの分野固有のオントロジーの統合。
• アルゴリズムとその実装を別々にモデル化し、実行プロセスによって入力および出力を記録。
• DICOMファイルなどのデータアーティファクトに、解剖的構造および画像モalityを含む意味的メタデータを付与。
• アルゴリズム実行に参加する人物および自動化された入力の追跡を通じたプロバンスのモデル化。
• 構造化された知識の上での推論を活用し、自動パイプライン推薦などの高度な機能を実現。

実験結果

リサーチクエスチョン

• RQ1 外科学的データおよびアルゴリズムのための共有される意味的基盤は、外科学的データサイエンスにおける協働および再現性をどのように向上させるか？
• RQ2 外科学的データ、アルゴリズム、およびそれらのプロバンスの意味をモデル化するために必要なオントロジー的構成要素は何か？
• RQ3 既存の医療オントロジー（例：SNOMED-CT、FMA）を外科学的データおよびアルゴリズムオントロジーに統合する方法は何か？
• RQ4 このようなオントロジーは、意味的データ選択を通じて、機械学習ワークフローをどのように強化できるか？
• RQ5 オントロジーに基づくモデル化は、コンテンツベースの画像検索やアルゴリズム推薦といった新規な応用を可能にするか？

主な発見

• 提案されたオントロジーは、外科学的データおよびアルゴリズムの曖昧さのない機械可読な表現を可能にし、研究コミュニティ全体での共有理解を支援する。
• 実行プロセスを通じたプロバンスモデリングにより、臨床医が生成したデータとアルゴリズムが生成したデータを区別することで、信頼性評価が可能になる。
• 入力および出力の意味的モデリングにより、機械学習のための訓練データ選択が文脈に即した細分化された形で可能になる。
• BFO、FMA、SNOMED-CTといった確立されたオントロジーとの統合により、相互運用性および再利用性が保証される。
• 構造化された知識の上での推論を活用することで、意味ベースの検索や自動パイプライン推薦といった高度な応用を支援する。
• 中程度のオントロジーが実現可能な最初のステップとして提案され、コミュニティの協働によるアプリケーション固有のオントロジーへの洗練が可能である。