BERT Based Clinical Knowledge Extraction for Biomedical Knowledge Graph Construction and Analysis

要約

タイトル: バイオメディカル・ナレッジ・グラフ構築と分析のためのBERTベースの臨床知識抽出
要約:
背景:
医学分野では、新しい診断・治療方法の開発を追求するために、新しい発見、推論方法の変更、新しい事実や証拠が利用可能になることが多く、知識は常に進化しています。バイオメディカル分野において、膨大で増加し続ける医学知識を整理するために、ナレッジ・グラフ（KG）は有効であります。

目的：
バイオメディカル・クリニカル・ノートからのナレッジ抽出と分析に対して、Bidirectional Encoder Representations from Transformers（BERT）モデルとConditional Random Field（CRF）層を使用したエンドツーエンドのアプローチを提案します。

方法：
ナレッジ・グラフは、医療エンティティの関係と相互作用などの抽象的なバイオメディカル・コンセプトの効果的な処理を行えます。KGはこれらのコンセプトを直感的に可視化するだけでなく、問題をより簡単な表現に簡略化するか、異なる観点からの表現に変換することで、より複雑な知識検索問題を解決することができます。この研究では、名前付きエンティティ認識と関係抽出のための自然言語処理モデルを使用して、バイオメディカル・ナレッジ・グラフを作成し、生成されたKGによる質問応答を行いました。

結果：
実験結果によると、提案されたフレームワークは高精度（Named-entity recognition（NER）の正解率が90.7％、関係抽出（RE）の正解率が88％）で関連のある構造化情報を抽出できました。実験に利用されたのは、505人のバイオメディカル・クリニカル・ノートの実世界データです。

結論：
本論文では、BERTモデルの変種を使用してバイオメディカル・クリニカル・ノートからの生物医学的ナレッジグラフの構築のための新しいエンドツーエンドシステムを提案しました。

要約(オリジナル)

Background : Knowledge is evolving over time, often as a result of new discoveries or changes in the adopted methods of reasoning. Also, new facts or evidence may become available, leading to new understandings of complex phenomena. This is particularly true in the biomedical field, where scientists and physicians are constantly striving to find new methods of diagnosis, treatment and eventually cure. Knowledge Graphs (KGs) offer a real way of organizing and retrieving the massive and growing amount of biomedical knowledge. Objective : We propose an end-to-end approach for knowledge extraction and analysis from biomedical clinical notes using the Bidirectional Encoder Representations from Transformers (BERT) model and Conditional Random Field (CRF) layer. Methods : The approach is based on knowledge graphs, which can effectively process abstract biomedical concepts such as relationships and interactions between medical entities. Besides offering an intuitive way to visualize these concepts, KGs can solve more complex knowledge retrieval problems by simplifying them into simpler representations or by transforming the problems into representations from different perspectives. We created a biomedical Knowledge Graph using using Natural Language Processing models for named entity recognition and relation extraction. The generated biomedical knowledge graphs (KGs) are then used for question answering. Results : The proposed framework can successfully extract relevant structured information with high accuracy (90.7% for Named-entity recognition (NER), 88% for relation extraction (RE)), according to experimental findings based on real-world 505 patient biomedical unstructured clinical notes. Conclusions : In this paper, we propose a novel end-to-end system for the construction of a biomedical knowledge graph from clinical textual using a variation of BERT models.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI