[논문 리뷰] Medical Text Classification using Convolutional Neural Networks

Mark Hughes, Irene Li외 2명|PubMed|2017. 04. 22.

Topic Modeling인용 수 152

한 줄 요약

이 논문은 심층 합성곱 신경망을 사용하여 임상 텍스트를 문장 단위로 분류하고 일반 NLP 기준 대비 약 15%의 개선을 보고합니다.

ABSTRACT

We present an approach to automatically classify clinical text at a sentence level. We are using deep convolutional neural networks to represent complex features. We train the network on a dataset providing a broad categorization of health information. Through a detailed evaluation, we demonstrate that our method outperforms several approaches widely used in natural language processing tasks by about 15%.

연구 동기 및 목표

• 임상 텍스트의 자동 문장 수준 분류를 촉진한다.
• 합성곱 신경망을 통한 복잡한 특징 표현을 탐구한다.
• 광범위한 건강 정보 범주를 담은 데이터셋에서 CNN 기반 접근법을 평가한다.
• 널리 사용되는 NLP 기준선과의 성능을 비교한다.

제안 방법

• 복잡한 특징을 포착하기 위해 임상 문장을 심층 합성곱 신경망으로 표현한다.
• 광범위한 건강 정보 범주를 제공하는 데이터셋에서 CNN 모델을 학습한다.
• 해당 분야에서 널리 사용되는 표준 NLP 접근법과의 성능을 평가한다.
• 기준선 대비 개선을 정량적으로 평가한다 (약 15%로 보고된다).

실험 결과

연구 질문

• RQ1 CNN이 임상 텍스트를 문장 수준에서 효과적으로 분류할 수 있는가?
• RQ2 의료 텍스트 분류에서 CNN 기반 표현이 전통적인 NLP 접근법을 능가하는가?
• RQ3 주어진 데이터셋에서 CNN의 개선 규모는 얼마인가?

주요 결과

• CNN 기반 접근법은 약 15% 정도의 차이로 여러 널리 사용되는 NLP 방법보다 성능이 우수하다.
• 이 방법은 임상 텍스트에서 복잡한 특징의 효과적인 표현을 보여준다.
• 평가는 광범위한 건강 정보 범주를 갖는 데이터셋에서 CNN 모델을 검증한다.