[논문 리뷰] When Truth Discovery Meets Medical Knowledge Graph: Estimating Trustworthiness Degree for Medical Knowledge Condition.

Yang Deng, Yaliang Li외 4명|arXiv (Cornell University)|2018. 09. 27.

Topic Modeling참고 문헌 31인용 수 4

한 줄 요약

이 논문은 의료 텍스트 분석을 활용하여 특정 질환과의 연관성을 바탕으로 의료 지식 삼중항의 신뢰성 정도를 추정하는 새로운 진실 발견 방법을 제안한다. 합성 및 실세계 데이터셋에서의 실험을 통해 이 방법은 조건에 따라 달라지는 진실성 특성을 식별하여 의료 지식 그래프의 신뢰성을 효과적으로 향상시킴을 입증한다.

ABSTRACT

Medical knowledge graph is the core component for various medical applications such as automatic diagnosis and question-answering. However, medical knowledge usually associates with certain conditions, which can significantly affect the performance of the supported applications. In the light of this challenge, we propose a new truth discovery method to explore medical-related texts and infer trustworthiness degrees of knowledge triples associating with different conditions. Experiments on both synthetic and real-world datasets demonstrate the effectiveness of the proposed truth discovery method.

연구 동기 및 목표

• 의료 지식이 종종 조건에 따라 달라지므로, 이로 인해 의료 AI 응용의 신뢰성이 영향을 받는 문제에 대응한다.
• 지식 삼중항의 조건별 진실성 식별을 통해 의료 지식 그래프의 정확성과 신뢰성을 향상시킨다.
• 의료 문헌의 텍스트 증거에서 의료 사실의 신뢰성 정도를 추론하는 방법을 개발한다.
• 조건 인식 지식 검증을 통합함으로써 더 견고한 의료 의사결정 지원 시스템을 구현한다.

제안 방법

• 의료 지식 삼중항을 지지하거나 반박하는 증거를 추출하기 위해 의료 관련 텍스트를 활용한다.
• 증거의 일관성과 출처 신뢰성에 기반해 신뢰성 점수를 추정하는 진실 발견 프레임워크를 적용한다.
• 텍스트에서 관련 임상 조건를 추출하여 지식 삼중항과 연관지어 조건별 신뢰성 정도를 모델링한다.
• 텍스트 증거를 지식 그래프 구조에 통합하여 관련 사실 간의 신뢰 점수를 전파한다.
• 통계적 추론을 사용하여 특정 조건 하에서 진리일 가능성에 따라 지식 삼중항을 순위 매긴다.
• 성능 평가를 위해 합성 및 실세계 의료 데이터셋 모두에서 방법을 검증하여 다양한 조건 하에서의 성능을 분석한다.

실험 결과

연구 질문

• RQ1 조건에 따라 달라지는 의료 지식 삼중항의 신뢰성은 어떻게 추정할 수 있는가?
• RQ2 의료 문헌의 텍스트 증거는 지식 그래프 내 지식 삼중항의 신뢰성에 얼마나 기여하는가?
• RQ3 진실 발견 프레임워크는 의료 사실의 조건별 진실성 정도를 효과적으로 추론할 수 있는가?
• RQ4 제안된 방법은 특정 조건 하에서 신뢰할 수 있는 의료 지식을 식별하는 데 기준 대비 방법보다 얼마나 우수한가?

주요 결과

• 제안된 진실 발견 방법은 조건별 텍스트 증거를 바탕으로 의료 지식 삼중항의 신뢰성 정도를 효과적으로 추정한다.
• 실세계 데이터셋에서의 실험 결과, 기준 방법 대비 조건에 따라 달라지는 의료 사실 식별 정확도가 향상됨을 확인했다.
• 합성 데이터에서의 성능은 복잡한 조건-진실성 관계를 모델링할 수 있음을 확인하는 데에 강력한 성능을 보였다.
• 텍스트 증거에서 유도된 신뢰성 점수는 임상적 관련성과 사실 정확성과 강한 상관관계를 보였다.
• 진실 발견을 의료 지식 그래프에 통합함으로써 진단 및 질의응답과 같은 후속 응용의 신뢰성을 향상시켰다.
• 이 방법은 의료 사실과 그 맥락적 조건 간의 미묘한 관계를 성공적으로 포착했다.