[논문 리뷰] Q-Map: clinical concept mining with phrase sense disambiguation.

Sheikh Shams Azam, Manoj Raju외 2명|arXiv (Cornell University)|2018. 04. 30.

Biomedical Text Mining and Ontologies참고 문헌 9인용 수 2

한 줄 요약

Q-Map는 구조화되지 않은 의료 텍스트에서 임상 개념을 추출하기 위한 빠르고 설정 가능한 시스템으로, 구조화된 지식 자료를 활용하여 효율적으로 구조화된 정보를 추출한다. Q-Map은 속도와 설정 가능성에서 메타맵을 능가하면서도 임상 노트에서 개념 검색의 높은 정확도를 유지한다.

ABSTRACT

Over the past decade, there has been a steep rise in data driven analysis in major areas of medicine, such as, clinical decision support system, survival analysis, patient similarity analysis, image analytics etc. Also, there are various ongoing research efforts in the operational and financial fields using techniques such as demand forecasting, convex optimization. Most of the data used in these research applications are well-structured and available in numerical or categorical formats which can be used for experiments directly. On the opposite end, there exists a wide expanse of data that is intractable for direct analysis owing to its unstructured nature. These can be found in the form of discharge summaries, clinical notes, procedural notes which are in human written free text format and neither have any relational model nor any standard grammatical structure. An important step in utilization of these texts for such studies is to transform and process the data to retrieve structured information from the haystack of irrelevant data using information retrieval and data mining techniques. The unregulated format coupled with massive size of datasets makes the mining process a monumental task requiring robust algorithms supported by ample hardware resources and computing power. In this paper, we present Q-Map, which is a simple yet powerful system that can sift through these datasets to retrieve structured information aggressively and efficiently. It is backed by an effective mining algorithm based on curated knowledge sources, that is both fast and configurable. We also present its comparative performance with MetaMap, one of the most reputed tools for medical concepts retrieval.

연구 동기 및 목표

• 기본적으로 퇄정된 요약문 및 임상 노트와 같은 구조화되지 않은 자유 텍스트 의료 기록에서 구조화된 임상 개념을 추출하는 데 도전하는 것.
• 대규모의 구조화되지 않은 임상 텍스트를 최소한의 계산 오버헤드로 처리할 수 있는 확장성 있고 효율적인 시스템을 개발하는 것.
• 메타맵과 같은 기존 도구를 향상시켜 속도와 설정 가능성을 높이며 동시에 개념 식별의 높은 정밀도를 유지하는 것.
• 구조화된 분석 가능한 정보로 변환함으로써 데이터 기반 의료 연구를 지원하는 것.

제안 방법

• Q-Map는 임상 텍스트의 어휘를 표준 개념으로 매핑하기 위해 정제된 의료 용어집을 활용하는 지식 소스 기반 접근 방식을 채택한다.
• 의료 용어의 모호성을 해결하기 위해 어휘의 의미 해석 기법을 적용하여 개념 매핑의 정밀도를 향상시킨다.
• 특정 사용 사례나 데이터 유형에 맞게 설정이 가능한 모듈러 아키텍처를 설계하여 유연성을 확보한다.
• 대규모 데이터셋에서의 개념 검색을 가속화하기 위해 효율적인 색인 및 매칭 알고리즘을 활용한다.
• 임상 개념 추출을 위한 표준 벤치마크를 사용하여 메타맵과의 성능을 평가한다.

실험 결과

연구 질문

• RQ1 어떻게 하면 구조화되지 않은 임상 텍스트를 의료 연구를 위한 분석 가능한 구조화된 데이터로 효율적으로 변환할 수 있는가?
• RQ2 메타맵과 같은 기존 도구와 비교할 때 Q-Map의 개념 검색 성능는 어떠한가?
• RQ3 어휘의 의미 해석은 임상 개념 추출의 정확도를 얼마나 향상시키는가?
• RQ4 정밀도를 희생시키지 않고도 빠르고 설정 가능한 시스템을 구현할 수 있는가?

주요 결과

• Q-Map는 메타맵보다 뛰어난 속도를 보이며, 대규모 임상 텍스트 데이터셋의 처리를 빠르게 수행할 수 있다.
• 시스템은 높은 정확도를 유지하며, 어휘의 의미 해석을 통해 모호성을 효과적으로 해결한다.
• 모듈러하고 설정 가능한 설계 덕분에 다양한 임상 데이터 유형과 연구 요구사항에 유연하게 적응할 수 있다.
• 계산 오버헤드를 줄이며, 임상 데이터 분석 파이프라인에서 확장 가능한 배포를 지원한다.