[논문 리뷰] PubMed and Beyond: Biomedical Literature Search in the Age of Artificial Intelligence

Qiao Jin, Robert Leaman외 1명|arXiv (Cornell University)|2023. 07. 18.

Biomedical Text Mining and Ontologies참고 문헌 91인용 수 4

한 줄 요약

이 논문은 36개의 인공지능 기반 생물의학 문헌 검색 도구를 조사하여, 근거 기반 의학, 유전체학, 의미 기반 검색, 문헌 추천, 개념 연관성 탐색의 다섯 가지 핵심 정보 필요사항에서의 능력을 평가한다. 대규모 언어 모델이 키워드 매칭을 넘어서 검색을 향상시키는 방식을 보여주며, 연구자와 임상의에게 실용적인 지침을 제공한다.

ABSTRACT

Biomedical research yields a wealth of information, much of which is only accessible through the literature. Consequently, literature search is an essential tool for building on prior knowledge in clinical and biomedical research. Although recent improvements in artificial intelligence have expanded functionality beyond keyword-based search, these advances may be unfamiliar to clinicians and researchers. In response, we present a survey of literature search tools tailored to both general and specific information needs in biomedicine, with the objective of helping readers efficiently fulfill their information needs. We first examine the widely used PubMed search engine, discussing recent improvements and continued challenges. We then describe literature search tools catering to five specific information needs: 1. Identifying high-quality clinical research for evidence-based medicine. 2. Retrieving gene-related information for precision medicine and genomics. 3. Searching by meaning, including natural language questions. 4. Locating related articles with literature recommendation. 5. Mining literature to discover associations between concepts such as diseases and genetic variants. Additionally, we cover practical considerations and best practices for choosing and using these tools. Finally, we provide a perspective on the future of literature search engines, considering recent breakthroughs in large language models such as ChatGPT. In summary, our survey provides a comprehensive view of biomedical literature search functionalities with 36 publicly available tools.

연구 동기 및 목표

• 인공지능 시대의 생물의학 문헌 검색의 복잡성 증가에 대응하기 위해.
• 임상의와 연구자가 고품질의, 맥락 인식 기반의 문헌 검색을 위해 현재 도구의 격차를 특정하기 위해.
• 키워드 기반 검색을 넘어서 의미 이해와 개인화된 추천에 중점을 둔, 인공지능 강화 도구를 평가하기 위해.
• 임상 및 생물의학 연구에서 문헌 검색 도구를 선택하고 사용하는 데 실질적인 지침을 제공하기 위해.
• 특히 ChatGPT와 같은 대규모 언어 모델의 통합을 포함한 향후 문헌 검색 트렌드를 예측하기 위해.

제안 방법

• 기능과 대상 사용자 필요사항에 따라 분류된 36개의 공개된 생물의학 문헌 검색 도구에 대한 체계적 조사.
• 의미 기반 색인과 관련성 순위 향상 개선 사항을 포함한 최근 PubMed의 AI 통합 개선 사항 분석.
• 질의 응답 인터페이스와 같은 자연어 질의를 사용한 의미 기반 검색을 지원하는 도구 평가.
• 임베딩 모델과 벡터 검색을 활용한 문헌 추천 및 개념 연관성 탐색을 위한 도구 평가.
• NLP 및 지식 그래프 기법을 사용해 생물의학 실체(예: 유전자, 질병, 약물)를 추출하고 연결하는 도구 검토.
• 대규모 언어 모델(Large Language Models, LLMs)의 통찰을 통합하여 지능형 문헌 검색 시스템의 향후 방향성 제안.

실험 결과

연구 질문

• RQ1 현대의 인공지능 기반 문헌 검색 도구는 생물의학 분야에서 기존의 키워드 기반 검색에 비해 어떻게 향상되는가?
• RQ2 근거 기반 의학을 위한 고품질 임상 증거를 검색하는 데 가장 효과적인 도구는 무엇인가?
• RQ3 의미 기반 검색과 자연어 질의는 생물의학 문헌 검색의 정밀도와 재현율을 얼마나 향상시킬 수 있는가?
• RQ4 문헌 추천 시스템은 사용자 맥락이나 이전 검색 기록을 바탕으로 어떻게 관련성이 높은 논문을 식별하고 제안하는가?
• RQ5 대규모 언어 모델은 문헌 검색을 키워드 매칭에서 맥락 이해로 전환시키는 데 어떤 역할을 하는가?

주요 결과

• 특히 임베딩 기반 및 LLM 기반 방법의 통합은 기존 PubMed 키워드 검색에 비해 검색 정확도와 관련성에서 뚜렷한 향상을 보였다.
• 의미 기반 및 자연어 질의를 지원하는 도구(예: 질문-응답 인터페이스)는 맥락적으로 관련성이 높은 논문을 더 정밀하게 검색하는 데 성공했다.
• 유전자 변이와 질병 간의 연결을 제공하는 유전체학 및 정밀의료 전용 도구는 임상 연구 워크플로우에서 높은 유용성을 보였다.
• 협업 필터링과 임베딩 유사도를 활용한 문헌 추천 시스템은 관련성 높은 논문을 식별하는 데 뛰어난 성능을 보였다.
• 생물의학 개념 간 연관성(예: 약물-질병, 유전자-표현형)을 탐색하는 인공지능 기반 도구는 키워드 기반 방법보다 새로운 비명백한 연결을 발견하는 데 뛰어났다.
• 다양한 발전에도 불구하고, 평가 지표의 표준화, 투명성 및 재현 가능성 확보 문제는 여전히 남아 있다.