医療テキストマイニング【医療文書から医療用語の分離抽出－単語長をパラメータとした新聞社説との相互比較－】

2007年5月21日

今朝読んだ論文その３。

論文紹介

• 医療文書から医療用語の分離抽出－単語長をパラメータとした新聞社説との相互比較－
• 上杉正人 et al.
• 第26回医療情報学連合大会（2-D-1-3）、2006、日本

背景と目的

医療文書のテキストマイニングは、医療の質向上につながる。だが、テキストマイニングのために用いる辞書（医療用語、専門用語の単語集）は整備も難しく、日々進化するため、作成が非常に困難。

そこで、症例報告と新聞社説のテキストコーパス比較、あるいは用語の特徴に着目して、医療用語を分離・抽出する方法を検討。

方法

抽出候補は、「2文字以上の漢字とその前後に続くカタカナ文字列」。抽出された語句が医療用語であるかどうかの判定は、1名の医療資格者が行う。検討項目は以下の6つ。

1. 医療用語がどれだけ分離できたか（分離精度）
2. 一般用語とした単語にどれだけ医療用語が含まれていたか（見落とし）
3. 社説を3年分から16年分に増やした場合、医療用語の分離の精度は向上したか（データ量の影響）
4. 単語長と医療用語の含まれる割合
5. 用語間で文字を比較。最大長で一致する単語の長さをその単語の長さで割り、平均一致単語長（mWL）を求める。（単語の長さと専門性の相関）
6. 用語間で文字を比較。最大長で一致する文字列の頻度を求め、その単語自身の出現数と単語長で割り平均一致単語頻度（mWF）を求める。（単語の出現頻度と専門性の相関）

結果と考察

テキストコーパスを増やすと、分離精度は増加（84.3%から85.9%に）するが、一方で再現率が低下（98.4%から95.8%に）。テキストコーパスの量はそれほど影響しない。

単語長で見た場合、5文字以上では医療用語が増加。長い単語（5～15文字）では医療用語の割合が90％程度に。

抽出条件でひらがなを落としているため、「うっ血性」→「血性」となるような部分も。ひらがな、あるいは英単語との組み合わせも今後の視野に。

思いつきメモ

形態素解析のソフトは？

細かいことだけど、どんなソフトで形態素解析（単語の分割）を行ったか、興味あり。

辞書に学習機能つけたい…

とてつもなく時間のかかる作業だけど、やっぱり辞書は改訂していきたい。できることなら、学習機能を取り入れて辞書が進化するような方向で…。