[论文解读] What does it all mean? Capturing Semantics of Surgical Data and Algorithms with Ontologies

Darko Katić, Maria Maleshkova+10 more|arXiv (Cornell University)|May 22, 2017

Biomedical Text Mining and Ontologies参考文献 8被引用 4

一句话总结

本文提出了一种用于外科技巧数据与算法的领域特定本体，以标准化语义，实现共享理解、互操作性以及在外科技巧数据科学中提升数据与算法的重用性。通过使用BFO及相关本体对数据、算法和溯源信息进行建模，支持语义检索、机器学习以及跨异构外科技巧数据源的协作研究。

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.

研究动机与目标

• 解决由于数据和算法异质性导致的外科技巧数据科学中缺乏共享语义理解的问题。
• 实现研究社区间对外科技巧数据与算法的一致性比较、共享与重用。
• 对数据溯源和算法处理过程进行建模，以支持信任评估与可重现性。
• 支持高级应用，如基于语义的检索与工作流推荐。
• 通过支持语义化训练数据与算法选择，为机器学习建立基础。

提出的方法

• 使用基本形式本体（BFO）作为上层本体，以确保标准化与互操作性。
• 整合领域特定本体，如信息实体本体和生物医学研究本体。
• 对算法及其实现进行独立建模，执行过程捕获输入与输出。
• 通过语义元数据（包括解剖结构与影像模态）表示数据实体（如DICOM文件）。
• 通过追踪算法执行中的参与者（包括人工与自动化输入）来建模溯源信息。
• 应用推理技术以支持自动工作流推荐等高级功能。

实验结果

研究问题

• RQ1 如何通过为外科技巧数据与算法建立共享语义基础，来提升外科技巧数据科学中的协作与可重现性？
• RQ2 哪些本体组件是建模外科技巧数据、算法及其溯源语义所必需的？
• RQ3 如何将现有医学本体（如SNOMED-CT、FMA）整合到外科技巧数据与算法本体中？
• RQ4 此类本体在通过语义化数据选择增强机器学习工作流方面有哪些作用？
• RQ5 基于本体的建模能否支持新型应用，如基于内容的图像检索与算法推荐？

主要发现

• 所提出的本体实现了对外科技巧数据与算法的无歧义、机器可读表示，支持研究社区间的共享理解。
• 通过执行过程建模溯源信息，可区分临床医生与算法生成的数据，从而支持信任评估。
• 对输入与输出的语义建模，支持基于上下文的细粒度训练数据选择，适用于机器学习。
• 与BFO、FMA和SNOMED-CT等既定本体的整合，确保了互操作性与可重用性。
• 通过结构化知识的推理，本体支持语义检索与自动工作流推荐等高级应用。
• 提出了一种中层本体作为可行的初步步骤，未来可通过社区协作将其细化为特定应用的本体。