MIMIC DATA
MIMIC3 DATASET
MIMIC3 데이터는 EMR(Electric Medical Record)로 2001년과 2012년 사이에 Beth Isreal Deaconess Medical Center 중환자실에 입원한 4만 명 이상의 환자와 관련된 비식별화된 건강 관련 데이터이다. MIMIC3 는 다음과 같은 정보를 제공하고,
- 중환자 정보 시스템
- 병원 전자 건강 기록 데이터베이스
- 병원 밖 사망에 대한 기록
데이터 사용 규약에 대한 교육을 듣고 시험을 통과하면 데이터에 접근이 가능하다. 데이터에 대한 통계를 시각화하여 데이터를 살펴보면 다음과 같다.
MedCAT Library
MedCAT Library
MedCAT Library는 비식별화된 EMR 데이터를 대형 서버 없이도 개인 컴퓨터에서 대형 병원의 EMR DATA로 구조화할 수 있게 도와주는 라이브러리이다. NER (Named Entity Recognition) + L (Linking) 단계를 거쳐 작업이 수행되어진다. 특정 분야에 해당하는 전문 용어에 대한 개체명 인식이 필요하기 때문에, UMLS (Unified Medical Language System) 의료 데이터 베이스도 활용해서 진행한다.
Vocab CDB
먼저 MedCAT에 환자들의 상태에 대한 문자 기록을 입력하면, MedCAT은 Vocab 모델을 통해 철자 검사 및 단어 임베딩을 진행한다. 임베딩 방법은 Word2VEC, BERT 등 원하는 방법을 사용할 수 있다. 하지만 이 프로젝트에서는 BERT를 사용했다. 단어에 대한 임베딩이 끝나면 다음과 같은 모습이 된다.
이후 MedCAT를 사용할 때 필요한 두 번째 모델인 Concept Database (CDB)를 구축해야 한다. 이 데이터베이스는 텍스트에서 감지하고 연결하려는 모든 의학적 개념의 목록을 포함한다. 의학 응용 프로그램에서는 주로 UMLS 또는 SNOMED CT와 같은 대규모 데이터베이스를 사용하지만 MedCAT는 어떤 크기의 데이터베이스든 사용할 수 있다. 이 CDB 데이터베이스는 다음과 같은 형태로 가공된다.
cui,name,ontologies,name_status,type_ids,description
1,Kidney Failure,SNOMED,P,T047,kidneys stop working나머지 필드는 선택 사항이며 CSV에 포함하거나 생략할 수 있다.
ontologies- 출처 온톨로지이다. 예: HPO, SNOMED, HPC,...name_status- 용어 유형, 예: P - 기본 이름.type_ids- 유형 ID는 개념이 속할 수 있는 넓은 범주다. 이는 특정 범주에 속하는 개념을 빠르게 필터링하는 데 사용된다.- UMLS의 경우 Semantic type 식별자 (예: T047)
- SNOMED의 경우 Semantic 태그 (예: (Disease))
description- 이 개념에 대한 설명.
NER + L
이후 Named Entity Recognition with Linking을 진행한다. Vocab과 CDB를 파이프라인으로 진행하는 Unsupervised Learning이다. 총 90만 개의 데이터로 학습했다. 이후 모델 학습이 끝나고 실행시키면, Detection 된 Entity들 중에 UMLS 의학 데이터베이스에 연결되는 키워드만 추출해서 유의미한 단어만 거를 수 있다. 이렇게 생물 의학 데이터베이스에 연결하면 해당 데이터베이스의 모든 구조화된 필드에 접근이 가능해진다.
