Generación de resúmenes biomédicos

Una propuesta de generación de resúmenes extractiva basada en conceptos en el ámbito biomédico
Estructura de la presentación

La Rábida, 15 de enero de 2009 2

Motivación

Sobrecarga de información (crecimiento exponencial)
 Sólo MEDLINE, 16 Mill. referencias, 2000-4000 añadidas diariamente.
Necesidad de resúmenes, aparte del abstract
 Abstract pierden información (Kostoff et al., 2004)
 No existe el resumen ideal, percepción subjetiva (Cohen, 2005)

Medicina basada en la evidencia
 “uso consciente, explícito y juicioso de la mejor evidencia disponible
para la toma de decisiones en el cuidado de nuestros pacientes
“(Sackett et Al., 1996).
 “… Los médicos no tienen tiempo para desplazarse a través de texto

largo. Necesitan alcanzar el recurso adecuado la primera vez, la
información en ese recurso necesita ser fácilmente encontrada y toda
la información debe estar ahí” (Ely et al., 2002)
En este entorno, los resúmenes de texto juegan un papel
relevante

Conceptos básicos

¿Qué es un resumen de texto?
“a text that is produced from one or more texts, that contains a
significant portion of the information in the original text(s), and
that is no longer than half of the original text(s)” (Hovy, 2005)
¿Qué es un resumen de texto automático?
“to take an information source, extract content from it, and
present the most important content to the user in a condensed
form and in a manner sensitive to the user's or application's
needs” (Mani & Maybury, 1999)
GAR es un proceso de reducción de la información, que
permite a un usuario: tomar idea o conocer el contenido de un texto
completo, sin tener que leer todas sus frases, obtener la información
relevante.


Conceptos básicos

Para generar resúmenes existen dos enfoques:
El enfoque extractivo:
selecciona y extrae frases o partes de ella del texto original, ordenadas
por relevancia para el usuario.
resulta muy robusto y fácilmente aplicable.
Inconveniente: Inconsistencia (refer. Anafóricas) y desequilibrio


Conceptos básicos

El enfoque abstractivo:
engloba técnicas de procesamiento del lenguaje natural,
más complejo pues necesita un conocimiento léxico, gramatical y
sintáctico del dominio, para modelar semánticamente el
conocimiento y a partir de éste ser capaz de generar un resumen.


Conocimiento en el dominio biomédico: UMLS
SPECIALIST Lexicon

Proyecto NLM Unified Medical Language System (UMLS):

Objetivo, desarrollo de herramientas que ayuden a investigadores en la
representación del conocimiento, recuperación e integración de información
biomédica.
UMLS Knowledge Sources (bases de datos multipropósito)
Herramientas Software (programas)

Tres componentes principales:

SPECIALIST Lexicon: Colección de elementos léxicos (>200.000) con información
gramatical y variantes linguisticas.

“Anaesthetic” (Anestesia, anestésico)
{base=anesthetic spelling_variant=anaesthetic entry=E0330018 cat=noun
variants=reg variants=uncount }

{base=anesthetic spelling_variant=anaesthetic entry=E0330019 cat=adj
variants=inv position=attrib(3) position=pred stative }


Metathesaurus

Metathesaurus:
recopila más de 100 cada concepto
vocabularios y terminologías asignado a uno o
médicas, más tipos semánticos
de los 135 existentes
cada término (>5M) asociado a
un concepto (>1.5M)
términos relacionados entre sí
(p.ej., sinónimos) (16M relaciones)


UMLS Semantic Network

UMLS Semantic Network: que forma una ontología con los 135
tipos semánticos que la componen y los 54 tipos de relaciones
entre los tipos.


Propuesta de generación del resumen

Nuestra propuesta consiste en la
generación automática de resúmenes
de texto:

De carácter extractivo

A partir de una representación del
docum. original en un grafo

Centrada en conceptos del ámbito
biomédico

Usa la frecuencia de aparición

La Rábida, 15 de enero de 2009


Fase I: Generación del grafo
Identificación de sentencias
Identificación de conceptos UMLS
Fase II: Aplicación del algoritmo de similitud
Obtención del Solape de conceptos entre frases
Fase III: Aplicación de algoritmo de ranking
A partir de peso obtenidos por similitud
Fase IV: Creación del resumen
Selección de nodos/frases más significativas


Fase I. Generación del grafo

1.1 Identificación de frases

Neurofibromatosis type 2 (NF2) is Frase 1
often not recognised as a distinct
entity from peripheral
neurofibromatosis. NF2 is a
predominantly intracranial condition
whose hallmark is bilateral vestibular
schwannomas. NF2 results from a
mutation in the gene named merlin,
located on chromosome 22.
Frase 2

Frase 3

[Uppal, S., and A. P. Coatesworth. “Neurofibromatosis Type 2.”Int J Clin Pract, 57, no. 8, 2003, pp. 698--703.]


Fase 1. Generación del grafo

1.2 Identificación de conceptos UMLS

Neurofibromatosis type 2 (NF2) is Frase 1
often not recognised as a distinct
entity from peripheral
neurofibromatosis. NF2 is a
predominantly intracranial condition
whose hallmark is bilateral vestibular
schwannomas. NF2 results from a
mutation in the gene named merlin,
located on chromosome 22.
Frase 2

Frase 3

MMTx-API


Fase 2. Aplicación de algoritmo de similitud

2. Similitud conceptual, solape entre frases, como “recomendación” de una frase
de dirigirse a otras que tratan y abundan los mismos conceptos (Mihalcea y
Tarau, 2004).
Variante: Nº de conceptos comunes entre nodos, normalizado

Frase 1 Frase 2

Frase 3

Grafo resultante, altamente conectado con pesos en las aristas


Fase 3. Aplicación de algoritmo de ranking

3. Algoritmo de Ranking, referencias entre nodos y/o conceptos tratadas como
'votos' para decidir el elemento más importante (Brin y Page, 1998)

Frase 1 Frase 2

Frase 3


4. Creación del resumen

4. Selección de nodos/frases más significativas o relevantes

Frase 1 Frase 2

Frase 3 Neurofibromatosis type 2 (NF2) is often
not recognised as a distinct entity from
peripheral neurofibromatosis.

Los nodos de mayor puntuación definirán las frases a incluir en resumen. El
número de frases se basa en un porcentaje del total previamente definido o todas
las frases con relevancia superior a un umbral.

Herramienta prototipo


Evaluación

Corpus de sólo 4 textos médicos (BioMed Central)
Inexistencia de Corpus disponibles.
Document Understanding Conference.
Evaluaciones humanas vs Evaluaciones
automáticas
ROUGE (Recall-Oriented Understudy for Gisting
Evaluation) (Lin y Hovy, 2003)
Herramienta de evaluación automática basada en la comparación
de N-gramas entre resúmenes candidatos y resúmenes modelo


Evaluación

Medida F para ROUGE-1 Medida F para ROUGE-2 Medida F para ROUGE-SU4
con parámetros DUC con parámetros DUC con parámetros DUC

Sistemas con los que nos comparamos
Parámetros usados en DUC
Métricas seleccionadas orientadas a sistemas multidocumento

Nuestro sistema obtiene muy buenos resultados


Evaluación

Parámetros por defecto en ROUGE
Todas las métricas ROUGE son evaluadas

Nuestro sistema obtiene muy buenos resultados, sobre todo para
N-gramas pequeños (Mayor densidad de conceptos relevantes)


Conclusiones


Temas abiertos

Elaboración u obtención de un corpus evaluable
Evaluación
QARLA, Basic Elements, Método Pirámide, DUC…

Integrar relaciones semánticas obtenidas por SemRep
Tratamiento multidocumento
Visualización en dispositivos móviles
Mejora de la consistencia e interpretabilidad del resumen


Contrribuciones

de la Villa, M., Maña, M. “Estableciendo una línea base para un generador de resúmenes
extractivo basado en conceptos en el ámbito biomédico”. Artículo seleccionado para ser
publicado en el número 42 de la revista de la Sociedad Española para el Procesamiento del
Lenguaje Natural (ISSN 1135-5948) (Abril 2009)
Cortizo Pérez, J. C., Gachet, D., Buenaga, M. de, Maña, Puertas, E., M., de la Villa, M.
“Extending PubMed on Tap by means of MultiDocument Summarization”. Second International
Workshop on User-Centric Technologies and applications MADRINET’08. (Salamanca, Oct.
2008).
Buenaga, M. de, Gachet, D., Maña, M., de la Villa, M., Mata J. “Clustering and Summarizing
Medical Documents to Improve Mobile Retrieval”. Poster en el Workshop on Mobile
Information Retrieval de SIGIR 2008(MobIR’08) (Singapore, Julio de 2008).
de la Villa, M., Maña, M. “Una propuesta de generación de resúmenes extractiva y semántica
en el ámbito biomédico”. Comunicación en el Seminario de Tecnologías Lingüísticas “Técnicas
de extracción y visualización de información: aplicación en la construcción de portales
especializados” (Soria, Julio de 2008).
Cortizo Pérez, J. C., Gachet, D., Buenaga, M. de, Maña, M., de la Villa, M. “Mobile Medical
Information Access by means of Multidocument Summarization based on Similarities and
Differences”. Poster en el Mobile NLP Workshop de ACL 2008 (Columbus, Ohio, Junio de
2008).



manuel.villa@dti.uhu.es

http://www.uhu.es/manuel.villa


Generación de resúmenes biomédicos

Recomendados

Recomendados

Más contenido relacionado

Más de Manuel de la Villa

Más de Manuel de la Villa (14)

Último

Último (16)

Generación de resúmenes biomédicos