임상 텍스트에서 개념, 주장, 관계 추출을 위한 통합 신경망 기반 방법

A Joint Neural Baseline for Concept, Assertion, and Relation Extraction from Clinical Text

임상 정보 추출(예: 2010 i2b2/VA 챌린지)은 일반적으로 개념 인식, 주장 분류 및 관계 추출과 같은 작업을 포함합니다. 임상 분야에서 이러한 다단계 작업을 통합적으로 모델링하는 것은 아직 충분히 연구되지 않은 주제입니다. 기존의 독립적인 작업 설정(각 단계에서 제공되는 참조 입력)은 통합 모델이 기존의 파이프라인 방식과 직접적으로 비교될 수 없도록 만듭니다. 이러한 문제점을 해결하기 위해, 우리는 통합된 작업 설정을 정의하고 세 단계의 작업을 동시에 최적화하는 새로운 엔드-투-엔드 시스템을 제안합니다. 우리는 제안하는 방법과 파이프라인 기반 방법을 다양한 임베딩 기법(단어, 문맥, 그리고 해당 도메인에 특화된 문맥 임베딩)을 사용하여 공동으로 평가했습니다. 제안하는 통합 시스템은 개념, 주장, 관계의 F1 점수에서 각각 +0.3, +1.4, +3.1의 상당한 성능 향상을 보였습니다. 이 연구는 통합 접근 방식과 임상 정보 추출을 연결하는 역할을 합니다. 제안하는 방법은 향후 연구를 위한 강력한 통합 기반 모델로 사용될 수 있습니다. 코드 공개되어 있습니다.

Clinical information extraction (e.g., 2010 i2b2/VA challenge) usually presents tasks of concept recognition, assertion classification, and relation extraction. Jointly modeling the multi-stage tasks in the clinical domain is an underexplored topic. The existing independent task setting (reference inputs given in each stage) makes the joint models not directly comparable to the existing pipeline work. To address these issues, we define a joint task setting and propose a novel end-to-end system to jointly optimize three-stage tasks. We empirically investigate the joint evaluation of our proposal and the pipeline baseline with various embedding techniques: word, contextual, and in-domain contextual embeddings. The proposed joint system substantially outperforms the pipeline baseline by +0.3, +1.4, +3.1 for the concept, assertion, and relation F1. This work bridges joint approaches and clinical information extraction. The proposed approach could serve as a strong joint baseline for future research. The code is publicly available.