信息检索17-医疗检索

第17讲MedicalIR医疗信息检索12021/10/09提纲2

MedicalIR简介

TRECCDS任务简介

常用CDS方法介绍

DNRMforCDS提纲3

MedicalIR简介

TRECCDS任务简介

常用CDS方法介绍

DNRMforCDSMedicalIR简介有很多时候，为了更加准确地做出医疗决策，医生可能需要查阅一些相关的医疗文献。考虑到现有医疗文献的数量以及其增长的速度，快速而准确地定位所需要的医疗文献变得非常重要。MedicalIR的目标就是根据医生的信息需求〔如电子病历〕，从海量医疗文献中找到尽可能多的相关文献。与一般的IR任务〔如Web检索〕相比，MedicalIR任务的查询和文档长度都相对长很多；MedicalIR任务的查询和文档都较多地包含医疗领域特定的词汇和概念。4提纲5

MedicalIR简介

TRECCDS任务简介

常用CDS方法介绍

DNRMforCDSTRECCDS任务目的：使医疗信息更加容易获取，以及让电子病历(EHR)的使用变得更加有意义。TRECClinicalDecisionSupport(CDS)2021&2021A给定电子病历(EHR)作为查询，参赛者需要返回相关的医疗文献以满足查询所包含的信息需求。查询分为如下三类，每类表示不同的需求类型:Diagnosis:：Whatisthepatient’sdiagnosis?Test：Whattestsshouldthepatient’sreceive?Treatment：Howshouldthepatientbetreated?

6常用CDS方法查询扩展：基于伪相关反响基于外部资源：如MeSH、DBpedia以及UMLS，一般直接将扩展词/概念参加到查询中，或者给予扩展词/概念更高的权重基于Google检索结果：从排名靠前的(如前10篇)的标题、摘要或者文档提取扩展词/概念将查询类型(Diagnosis，Test，Treatment)作为扩展词参加查询Fusion：对多个检索模型的结果进行合并基于检索模型评分进行fusion基于排序进行fusion使用专门针对长文档的检索模型：如SPUD9常用CDS方法考虑查询类型信息：首先训练分类器(如对Diagnosis和非Diagnosis分类)，然后对初始检索结果进行分类，根据分类得分有一个排序，该排序可以与初始检索结果排序进行fusion。Re-ranking：基于learning-to-rank：用BM25、PL2和BB2等模型评分作为feature，用randomforest学习pointwise排序模型，或者用RankSVM学习pairwise排序模型，再用学习到的模型对初始检索结果重排基于position：根据位置信息为文档计算一个权重，并与初始评分求和，再对初始检索结果进行重排序引入语义信息：通过计算查询与文档之间的语义相似度评分，然后将该评分与初始检索评分进行插值，最后对初始检索结果进行重排10提纲11

MedicalIR简介

TRECCDS任务简介

常用CDS方法介绍

DNRMforCDS基于DNN的方法-DNRM考虑到查询包含的信息较少， 直接计算查询与文档之间的相似度不能到达很好的效果；现有的基于DNN的比较有效的检索模型都需要计算查询与文档的单词-单词相似度矩阵，计算复杂度较高；并且不考虑反响信息，检索效果也会受到一定影响；DNRM引入了两种相似度特征，一是查询词与文档的相似度，二是伪相关反响文档之间的相似度，然后通过多层感知机(MLP)学习一个评分，一定程度上克服了上述的两个问题。12IR：一个比照排序的问题哪个卡通形象更可爱？〔哪个文档更相关？〕转化为一个相似度计算的问题哪个与“标准答案〞更近似？DNRM根本思想将文档评分转化为一个与“标准答案〞计算相似度问题D2Q〔文档-查询〕相似度是一种弱匹配信号相对于文档，查询太短，覆盖的信息太少文档间相似度是一种“软匹配〔softmatching〕〞，考虑了文档的所有内容事实上一篇文档是否相关是由其内容决定的，而不是是否包含查询关键字“标准答案〞由K个初始排名靠前的文档组成将待评分文档与这K个文档的相似度作为K维特征输入一个前馈网络前馈网络输出最终文档评分YanhuaRanetal.ADocument-basedNeuralRelevanceModelforEffectiveClinicalDecisionSupport.BIBM2021.Toappear.模型结构 给定查询q和待排序文档d，Dq是q的伪相关反响文档集；通过计算待排序文档d与各查询词qt的相似度得到D2Q特征，通过计算d与伪相关反响文档文档di的相似度得到D2D特征；之后将D2Q特征和D2D特征分别输入到各自的MLP结构得到一个标量评分，然后将这两个评分合并得到最终语义评分，再将语义评分与初始检索模型评分线性插值得到最终评分。

DNRM模型结构DNRMforCDS

实验设置与baselines的比较：BM25，SEM-QD，DRMMDNRM模型多个变种的比较：只使用D2Q评分(DNRMQ)；只使用D2D评分(DNRMD)；D2D评分且与BM25插值(DNRMD-λ)；使用D2Q与D2D评分且与BM25插值(DNRMDQ-λ)

DNRMforCDS

DNRMforCDS

实验结果实验结论：在大局部情况下，DNRMD-λ以及DNRMDQ-λ比baselines效果要好；对于长查询(Description)而言，总体上DNRMDQ-λ要比DNRMD-λ效果要好。DNRM模型能够取得优于BestTRECRun的结果参考文献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.2021.参考文献ChoiS,ChoiJ.SNUMedinfoatTRECCDStrack2021:Medicalcase-basedretrievaltask[R].SEOULNATIONALUNIV(REPUBLICOFKOREA),2021.CumminsR.ClinicalDecisionSupportwiththeSPUDLanguageModel[C]//TREC.2021.AbachaAB,KhelifiS.LISTatTREC2021ClinicalDecisionSupport