KG4NH：食事栄養と人間の健康に関する質問応答のための包括的な知識グラフ

2024-06-18 Tue
コンピューターサイエンス情報科学人工知能医学バイオエンジニアリング環境および公衆衛生学生命科学
背景と研究の動機周知の通り、食物の栄養と人間の健康は密接に関連しています。科学的研究によると、食事の栄養が不適切であることは200種類以上の病気と関連しており、特に腸内フローラの代謝を考慮した場合、食物の栄養成分と病気との間の複雑な相互作用は体系化と実際の応用が困難です。そのため、包括的な知識を統合し実用的な枠組みを提供することが急務であり、飲食関連のクエリ取得をサポートする必要があります。
研究の出典本稿はChengcheng Fu、Xueli Pan、Jieyu Wu、Junkai Cai、Zhisheng Huang、Frank Van Harmelen、Weizhong Zhao、Xingpeng Jiang、そしてTingting Heが共同で執筆した研究に基づいています。この研究の参加者は、湖北省人工知能と知能学習重点実験室、華中師範大学計算機科学学院、およびVrije Universiteit Amsterdamの計算機科学部から来たもので、一部の著者は上海浦東新区精神衛生センターなど他の機関にも所属しています。この記事がIEEE Journal of Biomedical and Health Informaticsに受理されており、2023年に正式に発表される予定です。
研究のプロセスこの研究は主に以下の部分に分かれています：データ収集、三つ組の抽出、知識統合と拡張、および問題応答システムの開発。
データ収集研究者たちはPubMedから食物、栄養、人間の病気に関する記事を検索し、2012年から2022年に発表された230,573件のタイトルと概要を収集しました。これらのテキストはStanford CoreNLPで形態素解析と文の分割が行われ、より細かい粒度のトークンが生成されました。
三つ組の抽出概念認識研究者たちはEURECAプロジェクトが提案した概念認識ツール（CI）を使用して、テキスト中の栄養物および病気のエンティティを認識・分類しました。例えば、「2型糖尿病」は病気エンティティとして認識され、複数の分類に関連付けられました。概念認識を通じて、46,807個の栄養エンティティと47,749個の病気エンティティが認識されました。
関係抽出関係抽出については、研究者たちはBiolinkBERTモデルを訓練し、モデルパラメータを最適化して効率的な関係抽出を確保しました。最終的に、モデルが多数の文から関係を自動的に抽出し、合計27,873個の関係が認識され、その中には706種類の栄養と2,705種類の病気が含まれていました。
知識統合と拡張FD C（FoodData Center）やKEGG （Kyoto Encyclopedia of Genes and Genomes）など複数のソースから知識を統合しました。これらの知識はGraphDBというグラフデータベースツールにより保存され、伝達性と対称性を持つ事前定義のルールを用いて知識の拡張が行われました。最終的に構築された知識グラフには約255,017,496個の三つ組、154のセマンティック関係、そして7,437,819個のエンティティが含まれています。
問題応答システムの開発問題設計システムは、食物と健康研究における三大重要テーマ（栄養分析、栄養代謝、食物が人間の病気に与える影響）に基づいて三種類の問題を設計しました：記述類、比較類および原因類。各問題にSPARQLクエリが使用できるテンプレートを提供し、知識グラフから回答を抽出します。
基準データセット基準データセットには120の問題が含まれ、患者、医師と栄養士、研究者という三大主要ユーザーグループをカバーしています。問題は専門家によって慎重に設計され、標準回答が提供されました。これらの問題はシステムの有効性の検証と評価に使用されました。
主な結果対比実験研究はBiolinkBERT、Biobert、およびBlueBERTなどのモデルの性能を対比分析し、BiolinkBERTが関係抽出タスクで優れていることを示しました。精度は0.92、再現率は0.81、F1スコアは0.86に達しました。
説明実験栄養ノードが関係グラフ内での重要性を計算したところ、葉酸と蔗糖が数多くの栄養物の中で高い重要性を持つことが明らかになりました。
アブレーション実験研究は異なる知識源が問題応答システムに与える影響を評価するためにアブレーション実験を行い、既存の知識を取り除くと問題応答システムの正確性やその他の指標が大幅に低下することを示しました。
比較討論研究チームは自分たちの問題応答システムとChatGPTを比較し、システムが正確性と一貫性において優れていることを発見しましたが、ロバスト性と説明性には改善の余地がありました。
品質評価SHACLフレームワークを使用して、データ構造の品質を評価するための制約ルールを設計し、データのインポート過程でのエラーと不完全な概念定義を発見しました。これらの発見は、知識グラフのさらなる改善に役立ちます。
結論と意義この研究は包括的で絶えず更新される食事の栄養と人間の健康に関する知識グラフを開発し、自動化された三つ組の抽出と知識統合を実現しました。この知識グラフに基づいて、問題応答システムを開発し、三種類の問題に対する正確な回答を提供しました。5つの精密に設計された実験がこの手法の有効性を確認しました。総じて、この研究は食事の栄養と人間の健康に関する知識グラフ構築の体系的な方法を示し、研究者、臨床医および患者が食事と健康の複雑な関係を探求するための有力なツールを提供します。
将来の研究では、研究チームは関係抽出モデルのさらなる最適化、大規模な言語モデルと無監督学習技術の統合、問題応答システムのカテゴライズの拡張を計画しています。さらに、先進的な自然言語理解技術を導入してシステムの適応性と応答性を向上させる予定です。