[논문 리뷰] What does it all mean? Capturing Semantics of Surgical Data and Algorithms with Ontologies

Darko Katić, Maria Maleshkova외 10명|arXiv (Cornell University)|2017. 05. 22.

Biomedical Text Mining and Ontologies참고 문헌 8인용 수 4

한 줄 요약

이 논문은 외과 데이터 및 알고리즘을 위한 도메인 특화 온톨로지와 함께 의미론적 표준화를 제안하여 외과 데이터 과학 분야에서 공통된 이해, 상호운용성, 그리고 데이터 및 알고리즘 재사용을 향상시킨다. BFO 및 관련 온톨로지를 사용하여 데이터, 알고리즘, 기원을 모델링함으로써 의미 기반 검색, 기계 학습, 이질적인 외과 데이터 소스 간의 협업 연구를 지원한다.

ABSTRACT

Every year approximately 234 million major surgeries are performed, leading to plentiful, highly diverse data. This is accompanied by a matching number of novel algorithms for the surgical domain. To garner all benefits of surgical data science it is necessary to have an unambiguous, shared understanding of algorithms and data. This includes inputs and outputs of algorithms and thus their function, but also the semantic content, i.e. meaning of data such as patient parameters. We therefore propose the establishment of a new ontology for data and algorithms in surgical data science. Such an ontology can be used to provide common data sets for the community, encouraging sharing of knowledge and comparison of algorithms on common data. We hold that this is a necessary foundation towards new methods for applications such as semantic-based content retrieval and similarity measures and that it is overall vital for the future of surgical data science.

연구 동기 및 목표

• 외과 데이터 과학에서 데이터 및 알고리즘의 이질성으로 인한 공통된 의미론적 이해 부족 문제를 해결하기 위해.
• 연구 공동체 간에 외과 데이터 및 알고리즘의 일관된 비교, 공유, 재사용을 가능하게 하기 위해.
• 신뢰 평가 및 재현 가능성 확보를 위해 데이터 기원 및 알고리즘 프로세스를 모델링하기 위해.
• 의미 기반 검색 및 파이프라인 추천과 같은 고급 응용을 지원하기 위해.
• 기계 학습을 위한 기반을 마련하기 위해 훈련 데이터 및 알고리즘의 의미론적 선택을 가능하게 하기 위해.

제안 방법

• 표준화 및 상호운용성을 보장하기 위해 상위 온톨로지로 기본 형식 온톨로지(BFO)를 사용하기 위해.
• 정보 자료 온톨로지 및 생물의학 조사 온톨로지와 같은 도메인 특화 온톨로지 통합을 위해.
• 알고리즘과 그 구현을 별도로 모델링하고, 실행 프로세스를 통해 입력 및 출력을 기록하기 위해.
• 해부학적 구조 및 영상 모드를 포함한 의미론적 메타데이터를 사용하여 데이터 아티팩트(예: DICOM 파일)를 표현하기 위해.
• 실행에 참여한 참가자(인간 및 자동화된 입력 포함)를 추적하여 기원을 모델링하기 위해.
• 의미 기반 파이프라인 추천과 같은 고급 기능을 가능하게 하기 위해 추론 기법 적용하기 위해.

실험 결과

연구 질문

• RQ1 외과 데이터 및 알고리즘을 위한 공통된 의미론적 기반은 외과 데이터 과학에서 협업과 재현 가능성 향상에 어떻게 기여하는가?
• RQ2 외과 데이터, 알고리즘, 기원의 의미론을 모델링하기 위해 필요한 온톨로지 구성 요소는 무엇인가?
• RQ3 기존 의료 온톨로지(예: SNOMED-CT, FMA)는 외과 데이터 및 알고리즘 온톨로지에 어떻게 통합될 수 있는가?
• RQ4 이러한 온톨로지는 의미 기반 데이터 선택을 통해 기계 학습 워크플로우를 어떻게 향상시킬 수 있는가?
• RQ5 온톨로지 기반 모델링은 콘텐츠 기반 이미지 검색 및 알고리즘 추천과 같은 새로운 응용을 가능하게 하는가?

주요 결과

• 제안된 온톨로지는 연구 공동체 간의 공통된 이해를 지원하는 명확하고 기계가 해석할 수 있는 외과 데이터 및 알고리즘 표현을 가능하게 한다.
• 실행 프로세스를 통한 기원 모델링은 임상의가 생성한 데이터와 알고리즘이 생성한 데이터를 구분함으로써 신뢰 평가를 가능하게 한다.
• 입력 및 출력의 의미론적 모델링은 기계 학습을 위한 훈련 데이터 선택 시 세밀하고 맥락 인식 가능한 선택을 가능하게 한다.
• BFO, FMA, SNOMED-CT와 같은 확립된 온톨로지와의 통합은 상호운용성 및 재사용성을 보장한다.
• 구조화된 지식에 대한 추론을 통해 의미 기반 검색 및 자동 파이프라인 추천과 같은 고급 응용을 지원한다.
• 중수준 온톨로지가 타당한 첫 번째 단계로 제안되며, 공동체 협업을 통해 응용 분야별 온톨로지로의 정교화가 가능하다.