信息檢索17-醫(yī)療檢索

第17講MedicalIR醫(yī)療信息檢索12021/10/09提綱2

MedicalIR簡介

TRECCDS任務簡介

常用CDS方法介紹

DNRMforCDS提綱3

MedicalIR簡介

TRECCDS任務簡介

常用CDS方法介紹

DNRMforCDSMedicalIR簡介有很多時候，為了更加準確地做出醫(yī)療決策，醫(yī)生可能需要查閱一些相關的醫(yī)療文獻?？紤]到現(xiàn)有醫(yī)療文獻的數(shù)量以及其增長的速度，快速而準確地定位所需要的醫(yī)療文獻變得非常重要。MedicalIR的目標就是根據(jù)醫(yī)生的信息需求〔如電子病歷〕，從海量醫(yī)療文獻中找到盡可能多的相關文獻。與一般的IR任務〔如Web檢索〕相比，MedicalIR任務的查詢和文檔長度都相對長很多；MedicalIR任務的查詢和文檔都較多地包含醫(yī)療領域特定的詞匯和概念。4提綱5

MedicalIR簡介

TRECCDS任務簡介

常用CDS方法介紹

DNRMforCDSTRECCDS任務目的：使醫(yī)療信息更加容易獲取，以及讓電子病歷(EHR)的使用變得更加有意義。TRECClinicalDecisionSupport(CDS)2021&2021A給定電子病歷(EHR)作為查詢，參賽者需要返回相關的醫(yī)療文獻以滿足查詢所包含的信息需求。查詢分為如下三類，每類表示不同的需求類型:Diagnosis:：Whatisthepatient’sdiagnosis?Test：Whattestsshouldthepatient’sreceive?Treatment：Howshouldthepatientbetreated?

6常用CDS方法查詢擴展：基于偽相關反響基于外部資源：如MeSH、DBpedia以及UMLS，一般直接將擴展詞/概念參加到查詢中，或者給予擴展詞/概念更高的權重基于Google檢索結果：從排名靠前的(如前10篇)的標題、摘要或者文檔提取擴展詞/概念將查詢類型(Diagnosis，Test，Treatment)作為擴展詞參加查詢Fusion：對多個檢索模型的結果進行合并基于檢索模型評分進行fusion基于排序進行fusion使用專門針對長文檔的檢索模型：如SPUD9常用CDS方法考慮查詢類型信息：首先訓練分類器(如對Diagnosis和非Diagnosis分類)，然后對初始檢索結果進行分類，根據(jù)分類得分有一個排序，該排序可以與初始檢索結果排序進行fusion。Re-ranking：基于learning-to-rank：用BM25、PL2和BB2等模型評分作為feature，用randomforest學習pointwise排序模型，或者用RankSVM學習pairwise排序模型，再用學習到的模型對初始檢索結果重排基于position：根據(jù)位置信息為文檔計算一個權重，并與初始評分求和，再對初始檢索結果進行重排序引入語義信息：通過計算查詢與文檔之間的語義相似度評分，然后將該評分與初始檢索評分進行插值，最后對初始檢索結果進行重排10提綱11

MedicalIR簡介

TRECCDS任務簡介

常用CDS方法介紹

DNRMforCDS基于DNN的方法-DNRM考慮到查詢包含的信息較少， 直接計算查詢與文檔之間的相似度不能到達很好的效果；現(xiàn)有的基于DNN的比較有效的檢索模型都需要計算查詢與文檔的單詞-單詞相似度矩陣，計算復雜度較高；并且不考慮反響信息，檢索效果也會受到一定影響；DNRM引入了兩種相似度特征，一是查詢詞與文檔的相似度，二是偽相關反響文檔之間的相似度，然后通過多層感知機(MLP)學習一個評分，一定程度上克服了上述的兩個問題。12IR：一個比照排序的問題哪個卡通形象更可愛？〔哪個文檔更相關？〕轉化為一個相似度計算的問題哪個與“標準答案〞更近似？DNRM根本思想將文檔評分轉化為一個與“標準答案〞計算相似度問題D2Q〔文檔-查詢〕相似度是一種弱匹配信號相對于文檔，查詢太短，覆蓋的信息太少文檔間相似度是一種“軟匹配〔softmatching〕〞，考慮了文檔的所有內容事實上一篇文檔是否相關是由其內容決定的，而不是是否包含查詢關鍵字“標準答案〞由K個初始排名靠前的文檔組成將待評分文檔與這K個文檔的相似度作為K維特征輸入一個前饋網(wǎng)絡前饋網(wǎng)絡輸出最終文檔評分YanhuaRanetal.ADocument-basedNeuralRelevanceModelforEffectiveClinicalDecisionSupport.BIBM2021.Toappear.模型結構 給定查詢q和待排序文檔d，Dq是q的偽相關反響文檔集；通過計算待排序文檔d與各查詢詞qt的相似度得到D2Q特征，通過計算d與偽相關反響文檔文檔di的相似度得到D2D特征；之后將D2Q特征和D2D特征分別輸入到各自的MLP結構得到一個標量評分，然后將這兩個評分合并得到最終語義評分，再將語義評分與初始檢索模型評分線性插值得到最終評分。

DNRM模型結構DNRMforCDS

實驗設置與baselines的比較：BM25，SEM-QD，DRMMDNRM模型多個變種的比較：只使用D2Q評分(DNRMQ)；只使用D2D評分(DNRMD)；D2D評分且與BM25插值(DNRMD-λ)；使用D2Q與D2D評分且與BM25插值(DNRMDQ-λ)

DNRMforCDS

DNRMforCDS

實驗結果實驗結論：在大局部情況下，DNRMD-λ以及DNRMDQ-λ比baselines效果要好；對于長查詢(Description)而言，總體上DNRMDQ-λ要比DNRMD-λ效果要好。DNRM模型能夠取得優(yōu)于BestTRECRun的結果參考文獻SimpsonMS,VoorheesEM,HershW.Overviewofthetrec2021clinicaldecisionsupporttrack[R].LISTERHILLNATIONALCENTERFORBIOMEDICALCOMMUNICATIONSBETHESDAMD,2021.RobertsK,SimpsonMS,VoorheesEM,etal.OverviewoftheTREC2021ClinicalDecisionSupportTrack[C]//TREC.2021.YangC,HeB.Anovelsemantics-basedapproachtomedicalliteraturesearch[C]//BioinformaticsandBiomedicine(BIBM),2021IEEEInternationalConferenceon.IEEE,2021:1616-1623.Balaneshin-KordanS,KotovA,XistoR.WSU-IRatTREC2021clinicaldecisionsupporttrack:Jointweightingofexplicitandlatentmedicalqueryconceptsfromdiversesources[R].WayneStateUniversityDetroitUnitedStates,2021.SongY,HeY,HuQ,etal.Ecnuat2021cdstrack:Twore-rankingmethodsinmedicalinformationretrieval[C]//Proceedingsofthe2021TextRetrievalConference.2021.參考文獻ChoiS,ChoiJ.SNUMedinfoatTRECCDStrack2021:Medicalcase-basedretrievaltask[R].SEOULNATIONALUNIV(REPUBLICOFKOREA),2021.CumminsR.ClinicalDecisionSupportwiththeSPUDLanguageModel[C]//TREC.2021.AbachaAB,KhelifiS.LISTatTREC2021ClinicalDecisionSupport