[논문 리뷰] Automated text summarisation and evidence-based medicine: A survey of two domains

Abeed Sarker, Diego Mollá외 1명|arXiv (Cornell University)|2017. 06. 25.

Topic Modeling참고 문헌 123인용 수 6

한 줄 요약

이 종합 검토는 증거 기반 의학(Evidence-Based Medicine, EBM)과 자동 텍스트 요약(Automated Text Summarisation, ATS)을 연결하며, 의료 정보 과부하 문제를 규명하고 임상 의사결정 지원을 위한 요약 기술을 평가한다. 효과적인 EBM 지원 요약은 도메인 특화 지식, 의미 평가 및 코퍼스 정제가 필요하며, 분포 의미론과 의미 평가 메트릭스의 최근 발전이 임상적 관련성과 정확도 향상에 기여할 잠재력을 보이고 있다.

ABSTRACT

The practice of evidence-based medicine (EBM) urges medical practitioners to utilise the latest research evidence when making clinical decisions. Because of the massive and growing volume of published research on various medical topics, practitioners often find themselves overloaded with information. As such, natural language processing research has recently commenced exploring techniques for performing medical domain-specific automated text summarisation (ATS) techniques-- targeted towards the task of condensing large medical texts. However, the development of effective summarisation techniques for this task requires cross-domain knowledge. We present a survey of EBM, the domain-specific needs for EBM, automated summarisation techniques, and how they have been applied hitherto. We envision that this survey will serve as a first resource for the development of future operational text summarisation techniques for EBM.

연구 동기 및 목표

• 의료 문헌의 증가로 인한 의료 종사자의 정보 과부하 문제를 해결하기 위해.
• 증거 기반 의학(Evidence-Based Medicine, EBM)에서 자동 요약을 위한 도메인 특화 요구사항을 규명하기 위해.
• 기존의 자동 텍스트 요약(Automated Text Summarisation, ATS) 기법과 의료 도메인에의 적응을 검토하기 위해.
• 현재 요약 평가 방법이 EBM 응용에 적합한지 평가하기 위해.
• 특히 골드 표준 코퍼스와 의미 평가 프레임워크의 부족과 같은 연구 격차를 부각하고, 데이터 중심적이고 지식 통합형 시스템을 권장하기 위해.

제안 방법

• 임상 의사결정 지원의 관점에서 증거 기반 의학(Evidence-Based Medicine, EBM)의 관행, 과제 및 기술적 요구사항을 종합적으로 조사하기 위해.
• 일반적이고 도메인 특화된 자동 텍스트 요약(Automated Text Summarisation, ATS) 기법을 검토하며, 추출형 및 개괄형 방법을 포함한다.
• 의료 도메인에서의 최신 요약 시스템을 분석하여 도메인 지식 통합과 분포 의미론의 통합에 초점을 맞춘다.
• 내재적 및 외재적 메트릭스를 사용하여 요약 시스템을 평가하며, 의미 유사도와 동의어 일치를 강조한다.
• ROUGE, KL 발산, ParaEval 등의 평가 기법을 조사하여 의료 텍스트 요약에 대한 적합성을 평가한다.
• 현재 평가 관행의 한계를 규명하고 의미 인식형, 도메인 인지 평가 프레임워크의 필요성을 주장한다.

실험 결과

연구 질문

• RQ1 정보 과부하로 인해 증거 기반 의학(Evidence-Based Medicine, EBM)을 구현하는 데 발생하는 핵심 과제는 무엇인가?
• RQ2 의료 텍스트의 언어적 및 구조적 특성이 자동 요약에 어떤 영향을 미치는가?
• RQ3 의료 텍스트에 가장 효과적인 자동 요약 기법은 무엇이며, 어떻게 도메인 특화 지식을 통합하는가?
• RQ4 EBM용 요약 시스템은 어떻게 효과적으로 평가할 수 있으며, 특히 임상적 관련성과 의미 정확도 측면에서 어떻게 평가할 수 있는가?
• RQ5 현재 연구에서의 주요 격차는 무엇이며, 특히 골드 표준 코퍼스와 의미 평가에 관해 어떤 점이 부족한가?

주요 결과

• 의료 텍스트의 복잡성과 특수성으로 인해, 의료 도메인의 자동 요약 기법은 뉴스나 일반 텍스트 요약에 비해 여전히 미발전 상태이다.
• ROUGE 기반 평가 메트릭스는 널리 사용되고 있지만, n-그램 겹침에 의존함으로써 의미 동치성을 잘 포착하지 못하며, 특히 동의어나 어색한 표현의 경우에 문제가 된다.
• ParaEval 및 정보 이론적 메트릭스(예: KL 발산)와 같은 의미 평가 방법은 ROUGE에 비해 어휘 수준의 유사성을 더 잘 포착하며, 의료 텍스트에 더 적합하다.
• 분포 의미론과 도메인 특화 지식의 통합은 특히 임상 증거를 추출하고 표현하는 데 있어 요약 품질을 크게 향상시킨다.
• EBM 요약 연구의 주요 장애물은 고품질의 애너테이션된 코퍼스와 골드 표준 요약의 부족으로, 이는 강력한 시스템 개발과 평가를 저해한다.
• EBM 지원 요약 분야의 향후 발전은 정제된 임상적으로 관련성이 높은 코퍼스와 의미 인식형 평가 프레임워크를 활용한 데이터 중심 시스템 구축에 달려 있다.