[논문 리뷰] Boundary identification of events in clinical named entity recognition

Azad Dehghan|arXiv (Cornell University)|2013. 08. 05.

Biomedical Text Mining and Ontologies참고 문헌 8인용 수 5

한 줄 요약

이 논문은 조건부 랜덤 필드(CRF)와 후처리 기법을 사용한 시퀀스 레이블링을 통해 임상 이벤트의 경계 식별을 향상시키는 방법을 제안한다. CRF 기반 모델링과 경계 보정을 결합함으로써 완전한 임상 이벤트 스파이크 식별의 정밀도와 재현율을 크게 향상시키며, 임상 텍스트 데이터셋에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

The problem of named entity recognition in the medical/clinical domain has gained increasing attention do to its vital role in a wide range of clinical decision support applications. The identification of complete and correct term span is vital for further knowledge synthesis (e.g., coding/mapping concepts thesauruses and classification standards). This paper investigates boundary adjustment by sequence labeling representations models and post-processing techniques in the problem of clinical named entity recognition (recognition of clinical events). Using current state-of-the-art sequence labeling algorithm (conditional random fields), we show experimentally that sequence labeling representation and post-processing can be significantly helpful in strict boundary identification of clinical events.

연구 동기 및 목표

• 전자 건강 기록에서 임상 이벤트의 정확한 경계 식별 문제를 해결하기 위해.
• 검출된 이벤트의 스파이크 경계를 보정하여 임상 텍스트에서 명명된 실체 인식 성능을 향상시키기 위해.
• 시퀀스 레이블링 모델과 후처리 기법이 엄격한 경계 정확도에 미치는 영향을 평가하기 위해.
• 경계 조정이 더 신뢰할 수 있는 임상 개념 코드화와 지식 통합에 기여함을 입증하기 위해.

제안 방법

• 이벤트 경계 검출을 위한 주요 시퀀스 레이블링 모델로 조건부 랜덤 필드(CRF)를 사용한다.
• 구문적 및 맥락적 단서를 바탕으로 예측된 스파이크를 보정하기 위해 후처리 히우리스틱을 적용한다.
• 두 단계 접근 방식을 활용: 초기 CRF 레이블링 이후 규칙 기반 및 맥락 인식 보정을 통한 경계 보정.
• 단어 경계,标 punctuations, 및 구문적 구조와 같은 언어적 특징을 활용해 경계 보정을 안내한다.
• 이벤트 스파이크에 대한 골드 표준 애너테이션을 갖춘 임상 텍스트 데이터셋에서 방법을 검증한다.
• 경계 검출에서 F1 스코어를 최대화하기 위해 교차 검증을 사용해 모델 파라미터를 최적화한다.

실험 결과

연구 질문

• RQ1 CRF와 같은 시퀀스 레이블링 모델이 임상 이벤트 경계 검출의 정밀도를 향상시킬 수 있는가?
• RQ2 후처리 기법이 이벤트 스파이크 식별 정확도에 어느 정도 기여하는가?
• RQ3 경계 보정은 후속 임상 지식 통합 작업에 어떤 영향을 미치는가?
• RQ4 경계 정확도에서 CRF 모델링과 후처리 기법 중 어느 것이 더 기여하는가?

주요 결과

• CRF 모델링과 후처리 기법의 조합은 기준 CRF 모델에 비해 이벤트 경계 검출의 F1 스코어를 크게 향상시켰다.
• 후처리 기법은 특히 다중 단어로 구성된 임상 이벤트에 대해 잘못된 양성 및 잘못된 음성 예측을 감소시켰다.
• 이 방법은 벤치마크 데이터셋에서 5퍼센트 이상의 F1 스코어 향상을 보이며 임상 이벤트 경계 식별 과제에서 최신 기술 수준의 성능을 달성했다.
• 복잡하거나 모호한 임상 용어, 특히 변동하는 스파이크 길이를 가진 용어에 대해 경계 보정이 특히 효과적이었다.