[论文解读] Finding Similar Medical Questions from Question Answering Websites

Yaliang Li, Liuyi Yao+6 more|arXiv (Cornell University)|Oct 14, 2018

Expert finding and Q&A systems参考文献 24被引用 6

一句话总结

本文提出了一种基于端到端LSTM的系统，通过学习问题的密集向量表示，以在众包问答网站中查找语义相似的医疗问题。该方法有效捕捉了详细的医疗信息并处理了表达多样性，在真实世界母婴问答数据集上，针对未解决查询识别相关历史问题时，实现了高精度和高排名相关性。

ABSTRACT

The past few years have witnessed the flourishing of crowdsourced medical question answering (Q&A) websites. Patients who have medical information demands tend to post questions about their health conditions on these crowdsourced Q&A websites and get answers from other users. However, we observe that a large portion of new medical questions cannot be answered in time or receive only few answers from these websites. On the other hand, we notice that solved questions have great potential to solve this challenge. Motivated by these, we propose an end-to-end system that can automatically find similar questions for unsolved medical questions. By learning the vector presentation of unsolved questions and their candidate similar questions, the proposed system outputs similar questions according to the similarity between vector representations. Through the vector representation, the similar questions are found at the question level, and the diversity of medical questions expression issue can be addressed. Further, we handle two more important issues, i.e., training data generation issue and efficiency issue, associated with the LSTM training procedure and the retrieval of candidate similar questions. The effectiveness of the proposed system is validated on a large-scale real-world dataset collected from a crowdsourced maternal-infant Q&A website.

研究动机与目标

• 为解决由于信息量庞大和响应能力有限，导致众包问答平台上未解决的医疗问题带来的挑战。
• 利用现有已解决的问题作为知识源，以加速对新医疗查询的及时响应。
• 克服基于关键词和词相似度方法在处理医疗表达中的语义多样性和临床细节方面的局限性。
• 开发一个端到端系统，利用深度学习学习医疗问题的有意义向量表示。
• 在大规模真实世界母婴问答数据集上验证系统的有效性。

提出的方法

• 使用长短期记忆（LSTM）网络将医疗问题编码为固定长度的实值向量表示，以捕捉语义和临床细节。
• 在大量已解决的医疗问题语料上训练LSTM模型，以从词序列中学习上下文和语义信息。
• 通过查询嵌入向量与归档问题之间的向量相似度（例如余弦相似度）检索最相关的过往问题。
• 引入一种数据增强策略，通过同义词替换生成多样化的训练样本，以提高对表达差异的鲁棒性。
• 通过在学习到的嵌入上使用近似最近邻技术，优化检索流程以提升效率。
• 采用词级别和句子级别表示相结合的混合方法，以提高语义匹配的准确性。

实验结果

研究问题

• RQ1 基于LSTM的句子编码能否有效捕捉短小、临床细节丰富的医疗问题中的语义含义？
• RQ2 学习到的向量表示在相同医疗概念的不同表达形式之间，其泛化能力如何？
• RQ3 向量相似度在识别语义相似的医疗问题方面，与基于关键词或词相似度的方法相比，优势有多大？
• RQ4 该系统在保持高检索精度的同时，能否扩展到大规模真实世界医疗问答数据集？
• RQ5 人工标注评估与自动化指标在评估检索到的相似问题的相关性方面，表现如何？

主要发现

• 所提出的系统在识别相关相似问题方面实现了高精度和强排名相关性，经人工评估验证。
• 在同义词替换的问题之间（例如“baby”与“child”），向量相似度保持在接近1.0，表明语义编码具有鲁棒性。
• 对于“My child has recurrent thrush. How to cure it?”的修改版本，系统识别到相似问题的向量相似度达到0.99。
• 当医疗含义发生变化时（例如“thrush”变为“cold”），相似度显著下降至0.52，表明系统对临床含义变化具有敏感性。
• 案例研究证实，检索到的相似问题在语义上具有意义且在临床上相关，对患者具有参考价值。
• 该方法通过捕捉细微的临床细节和表达多样性，优于传统的基于关键词和词相似度的方法。