[논문 리뷰] Healthcare Knowledge Graph Construction: State-of-the-art, open issues, and opportunities

Bilal Abu-Salih, Muhammad Al-Qurishi외 4명|arXiv (Cornell University)|2022. 07. 08.

Artificial Intelligence in Healthcare인용 수 5

한 줄 요약

이 논문은 의료 지식 그래프(HKG) 구축을 위한 최초로 종합적인 분류 체계를 제시하며, 지식 추출, 지식 기반 유형, 데이터 소스 및 평가 프로토콜 분야에서 최신 기술을 체계적으로 분석한다. 연구는 구축 가능한 확장성, 상호운용성 및 임상 적용 가능성이 높은 HKG를 위한 핵심 열린 문제들을 규명하고 향후 연구 기회를 제시한다.

ABSTRACT

The incorporation of data analytics in the healthcare industry has made significant progress, driven by the demand for efficient and effective big data analytics solutions. Knowledge graphs (KGs) have proven utility in this arena and are rooted in a number of healthcare applications to furnish better data representation and knowledge inference. However, in conjunction with a lack of a representative KG construction taxonomy, several existing approaches in this designated domain are inadequate and inferior. This paper is the first to provide a comprehensive taxonomy and a bird's eye view of healthcare KG construction. Additionally, a thorough examination of the current state-of-the-art techniques drawn from academic works relevant to various healthcare contexts is carried out. These techniques are critically evaluated in terms of methods used for knowledge extraction, types of the knowledge base and sources, and the incorporated evaluation protocols. Finally, several research findings and existing issues in the literature are reported and discussed, opening horizons for future research in this vibrant area.

연구 동기 및 목표

• 기존 문헌에서 표준화된 분류 체계가 부족한 문제를 해결하기 위해 의료 지식 그래프 구축을 위한 통합적이고 종합적인 분류 체계 수립.
• 다양한 의료 환경에서 지식 추출, 지식 기반 설계 및 데이터 소스 활용 기술의 최신 기술을 체계적으로 평가.
• 기존 HKG 연구에서 사용된 평가 프로토콜의 일관성, 재현 가능성 및 임상적 관련성을 분석하고 비교.
• 현재 HKG 구축 접근법에서 지속적으로 발생하는 열린 문제점과 한계, 즉 데이터 이질성, 확장성 및 임상적 유용성 등을 규명.
• 강력하고 상호운용성 있으며 임상적으로 효과적인 의료 지식 그래프 개발을 위한 실천 가능한 향후 연구 방향 제시.

제안 방법

• 저자들은 의료 지식 그래프 구축에 중점을 두고 학술 문헌을 체계적으로 검토하며, 임상 및 생물의학 데이터에서의 지식 추출 방법을 중심으로 분석한다.
• 지식 추출 방법(예: 자연어 처리, 규칙 기반, 딥 러닝), 지식 기반 유형(예: 엔티티-관계, 시간적, 다중모달), 데이터 소스(예: 전자 의무기록, 과학 문헌, 임상 지침) 기반으로 기술을 분류하고 분석한다.
• 보고된 결과의 품질과 재현 가능성을 평가하기 위해 구조화된 평가 프레임워크를 적용하며, F1 점수, 정밀도, 재현율 및 도메인 특화 검증과 같은 지표를 중심으로 평가한다.
• 인공지능과 의료 정보학 분야의 통합적 통찰을 바탕으로 제안된 HKG 솔루션의 임상 적용 가능성과 확장성 평가.
• 기존 접근법의 융합적 정합을 통해 분류 체계를 개발하며, 방법론, 데이터 통합 및 평가 관행 분야의 격차를 부각한다.

실험 결과

연구 질문

• RQ1 의료 지식 그래프에서 지식 추출에 주로 사용되는 방법은 무엇이며, 임상 및 생물의학 분야 간에 어떻게 다를까?
• RQ2 다양한 지식 기반 아키텍처(예: 엔티티-관계, 시간적, 다중모달)는 의료 지식 그래프의 유용성과 확장성에 어떤 영향을 미치는가?
• RQ3 현재 HKG 구축에 주로 사용되는 주요 데이터 소스는 무엇이며, 품질, 통합 및 개인정보 보호 측면에서 어떤 과제를 안고 있는가?
• RQ4 기존 HKG 연구에서 사용된 평가 프로토콜은 얼마나 일관되고 철저한가? 향후 개선이 필요한 부분은 무엇인가?
• RQ5 의료 지식 그래프 구축 분야에서 가장 시급한 열린 문제점과 연구 격차는 무엇이며, 가장 유망한 향후 연구 방향은 무엇인가?

주요 결과

• 의료 지식 그래프 구축 분야에서 표준화된 분류 체계 부족으로 연구가 산산이 흩어지고 결과의 재현 가능성이 제한된다.
• 대부분의 기존 접근법은 엔티티 및 관계 추출에 자연어 처리 기술에 크게 의존하지만, 성능이 일관되지 않으며 실제 임상 데이터에 대한 평가가 제한적이다.
• 지식 기반 설계 분야에서 뚜렷한 이질성이 존재하며, 시간적 추론이나 다중모달 통합을 지원하는 시스템은 소수에 불과하여 임상 의사결정 지원 잠재력이 제한된다.
• 평가 프로토콜은 종종 불완전하거나 표준화되어 있지 않으며, 많은 연구에서 F1 점수나 AUC와 같은 종합 지표를 제외하고 정밀도나 재현율만 부분적으로 보고한다.
• 주요 열린 문제점으로는 데이터 품질, EHR 시스템 간 상호운용성, 개인정보 보호를 고려한 지식 통합, 임상적으로 검증된 기준이 필요하다.
• 향후 연구는 확장성, 모듈성, 개인정보 보호를 고려한 HKG 아키텍처 개발을 우선시하며, 표준화된 평가 프레임워크와 실제 임상 환경에서의 검증이 필요하다.