=Paper=
{{Paper
|id=Vol-2172/p8_sinai_tass2018
|storemode=property
|title=SINAI en TASS 2018 Task 3. Clasificando acciones y conceptos con UMLS en MedLine
(SINAI in TASS 2018 Task 3. Classifying actions and concepts with UMLS on MedLine)
|pdfUrl=https://ceur-ws.org/Vol-2172/p8_sinai_tass2018.pdf
|volume=Vol-2172
|authors=Pilar López-Úbeda,Manuel C. Díaz-Galiano,María Teresa Martín-Valdivia,L. Alfonso Ureña-López
|dblpUrl=https://dblp.org/rec/conf/sepln/Lopez-UbedaDML18
}}
==SINAI en TASS 2018 Task 3. Clasificando acciones y conceptos con UMLS en MedLine
(SINAI in TASS 2018 Task 3. Classifying actions and concepts with UMLS on MedLine)==
https://ceur-ws.org/Vol-2172/p8_sinai_tass2018.pdf
TASS 2018: Workshop on Semantic Analysis at SEPLN, septiembre 2018, págs. 77-82
SINAI en TASS 2018 Task 3. Clasificando acciones y conceptos
con UMLS en MedLine.
SINAI in TASS 2018 Task 3. Classifying actions and concepts with UMLS
on MedLine
Pilar López-Úbeda, Manuel C. Dı́az-Galiano,
Marı́a Teresa Martı́n-Valdivia, L. Alfonso Ureña-López
Departamento de informática, Centro de Estudios Avanzados en TIC (CEATIC)
Universidad de Jaén, Campus Las Lagunillas, 23071, Jaén, España
{plubeda,mcdiaz,maite,laurena}@ujaen.es
Resumen: Este artı́culo describe la primera participación del grupo SINAI en Task
3. eHealth Knowledge Discovery del Taller de Análisis Semántico en la SEPLN.
Nuestro objetivo ha sido desarrollar un sistema de detección de entidades médicas en
español utilizando técnicas de Procesamiento del Lenguaje Natural para finalmente
clasificar términos en acciones o conceptos. Para ello, hemos utilizando la ontologı́a
biomédica UMLS además de diversos filtros para conseguir un sistema más eficaz. Los
resultados obtenidos han sido satisfactorios aunque se debe mejorar la exhaustividad
en cuanto a la clasificación.
Palabras clave: UMLS, Reconocedor de Entidades, Clasificación, Análisis
Morfológico.
Abstract: This article describes the first participation of the SINAI group in the
Task 3. eHealth Knowledge Discovery Workshop at SEPLN. Our goal has been to
develop a system for detecting medical entities in Spanish using Natural Language
Processing techniques to finally classify terms into actions or concepts. For this, we
have used the biomedical ontology UMLS as well as several filters to make the system
more efficient. The results obtained have been satisfactory although the classification
needs to be improved.
Keywords: UMLS, Entity Recognition, Classification, Morphological Analysis.
1 Introducción del Lenguaje Natural (PLN) que sirve para
asignar un tópico o categorı́a de forma
Hoy dı́a, la necesidad de tener un buen
automática a cualquier entidad detectada en
sistema informático para la extracción de
un texto.
información en informes médicos está
teniendo gran importancia, pues los La nueva tarea llamada Task 3: eHealth
datos contenidos en dichos documentos Knowledge Discovery que nos propone el
son relevantes. Aunque existen diversas Taller de Análisis Semántico de la Sociedad
herramientas y estudios que realizan Española para el Procesamiento del Lenguaje
detección de conceptos biomédicos (Aronson, Natural (TASS) no ha sido incluida en años
2001; Krauthammer y Nenadic, 2004; anteriores (Martı́nez-Cámara et al., 2017),
Osborne et al., 2007; Wright et al., 1999; por lo que es un nuevo reto a seguir.
Allones, Martı́nez, y Taboada, 2014), la Está inspirada en tareas como Semeval-2017
mayorı́a son para documentos en inglés, Task 10: ScienceIE (Gonzalez-Hernandez et
por lo que se hace necesario el diseño y al., 2017) y lı́neas de investigación como
desarrollo de nuevas y potentes herramientas Teleologies (Giunchiglia y Fumagalli, 2017),
de procesamiento de la información en ambas no centradas especı́ficamente en el
español que aprovechen los avances de las área de la salud. eHealth-KD propone
tecnologı́as relacionadas con la información modelar el lenguaje humano en un escenario
para poder acceder y analizar estos datos. en el que los documentos electrónicos de
La clasificación de entidades es una salud españoles puedan ser legibles por
técnica englobada dentro del Procesamiento máquina desde un punto de vista semántico.
ISSN 1613-0073 Copyright © 2018 by the paper's authors. Copying permitted for private and academic purposes.
Pilar López-Úbeda, Manuel Carlos Díaz Galiano, María Teresa Martín-Valdivia y L. Alfonso Ureña-López
Los documentos usados para esta tarea Universidad de Stanford para el español
se han obtenido de MedlinePlus1 y han sido (Manning et al., 2014).
tratados manualmente para esta tarea, tal y Con esta herramienta realizamos una
como se describe en el artı́culo resumen del separación entre verbos y no verbos.
TASS (Martı́nez-Cámara et al., 2018). Siendo los verbos etiquetados como posible
Este artı́culo explica nuestra participación ((acción)) y todo lo demás será analizado
en la tarea en las siguientes tres secciones: posteriormente para encontrar posibles
en la Sección 2 se describe el funcionamiento ((conceptos)). Esta separación nos permite
del sistema, a continuación, en la Sección realizar un análisis distinto para cada tipo
3 se muestra los resultados obtenidos y de entidad que queremos detectar.
para finalizar, exponemos las conclusiones y Detección de acciones
trabajos futuros en la Sección 4. Al realizar un estudio exhaustivo de los datos
de test ofrecidos por la organización, se ha
2 Descripción del sistema comprobado que las acciones compuestas
Para nuestra primera participación en por perı́frasis verbales, sólo tienen marcado
esta tarea, hemos diseñado un sistema el verbo de la acción principal, obviándose el
sencillo que realiza un análisis morfológico verbo auxiliar. Entre ellos, vemos diferentes
para detectar ((acciones)) y ((conceptos)), conjugaciones de los verbos “poder”,
tal y como se muestra en la Figura 1. “haber”, “soler”, etc. Observamos que la
Posteriormente, utiliza una base de mayorı́a son perı́frasis de infinitivo, como por
conocimiento biomédica para reconocer ejemplo: “pueden sufrir” o “debe hablar”.
entidades médicas y finalmente aplica varios Tras ello y para llegar a realizar un sistema
filtros para eliminar falsos positivos. más eficaz, hemos obviado los siguientes
verbos y sus respectivas conjugaciones:
estar, deber, poder, soler.
Documentos
2.2 Reconocedor de conceptos con
UMLS
Análisis morfológico En esta sección, presentamos la herramienta
creada para conseguir detectar ((conceptos))
«acciones» «conceptos»
en el texto. Esta herramienta reconoce
términos biomédicos basado en Unified
Medical Languaje System (UMLS)
Reconocedor de
entidades UMLS (Bodenreider, 2004). UMLS es un proyecto
de la National Library of Medicine (NLM)
que agrupa actualmente más de 3,46 millones
Filtro Filtro de conceptos sobre dominio médico, de los
cuales hemos obtenido un total de 846.044
conceptos en español.
El sistema utiliza PLN tanto en el texto
Resultados
de entrada como en texto de los conceptos
del diccionario UMLS y busca los conceptos
con mayor porcentaje de términos contenidos
en el texto de entrada. El sistema realiza los
pasos siguientes:
Figura 1: Arquitectura del sistema.
1. Normalizar: realizamos una
En las siguientes subsecciones se describen normalización en el texto quitando
con mas detalle cada parte del sistema. acentos y signos de puntuación,
2.1 Análisis morfológico utilizando para ello la Forma de
Normalización de Descomposición
Para el desarrollo del sistema utilizamos Canónica (NFD - Normalization Form
el analizador sintáctico incluido en la canonical Decomposition)(Atkin, 2005).
herramienta CoreNLP desarrollada por la
2. Separar términos: el separador utilizado
1
https://medlineplus.gov/ para esta tarea es WordPunctTokenizer
78
SINAI en TASS 2018 Task 3. Clasificando Acciones y Conceptos con UMLS en MedLine
de Python Natural Language Toolkit 2.3 Términos multipalabra
(NLTK)2 . Posteriormente, intentamos localizar
conceptos multipalabra utilizando la lista de
3. Extraer raı́ces: el algoritmo usado para etiquetado gramatical obtenida en la Sección
obtener la raı́z de las palabras en español 2.1 y el reconocedor de la Sección 2.2. Para
es SnowballStemmer3 . ello buscamos sentencias que comiencen
y acaben en sustantivo o adjetivo sin que
El identificador de entidades médicas esa frase contenga un verbo en su interior.
automático devuelve 10 resultados, cada uno De esta manera, intentaremos identificar
de ellos compuesto por: el concepto detectado conceptos en frases como: “personas con
en la frase, el código UMLS asociado y enfermedad” o “adultos de mayor edad”, pero
el porcentaje de concordancia con el texto. no buscaremos frases como las siguientes:
Dicho porcentaje de concordancia se calcula “niños tienen enfermedades” o “paciente no
en función del número de palabras del toma aspirina”.
concepto UMLS que se pueden encontrar Tras analizar las frases convenientes
en la frase. En la Figura 2 podemos ver en nuestro sistema, calculamos una nueva
un ejemplo de los conceptos detectados métrica basada en número de palabras y
para la frase “sı́ntomas de las mujeres”. número de stop-word contenidas tanto en la
Tanto concepto “sı́ntoma” como el concepto frase de entrada como en el concepto devuelto
“Mujeres” se encuentran completos dentro de por el sistema basado en UMLS.
la frase, por lo que el sistema devuelve el
100 % de acuerdo para ambos. Sin embargo, M = (T R − SW R)/(T I − SW I) (1)
para el resultado 3 (“Salud de las Mujeres”)
donde:
que está compuesto por 4 palabras, sólo
3 de ellas se encuentran en la frase de T R es el número de términos reconocidos
búsqueda por lo que el sistema devuelve una por el sistema de detección.
coincidencia del 75 %.
SW R es el número de stop-words
recocidas por el sistema de detección.
Frase buscada:
sı́ntomas de las mujeres T I es el número de términos
Resultado 1 introducidos para buscar dentro del
----------- sistema.
Concepto: sı́ntoma SW I es el número de stop-words
Código UMLS: C0043210 introducidas para buscar dentro del
Coincidencia: 100% sistema.
Resultado 2 Finalmente, se comprueba: (1) que el
----------- concepto detectado contiene más de una
Concepto: Mujeres palabra y (2) que la métrica M (definida
Código UMLS: C1457887 en la fórmula 1) sea menor estricta que el
Coincidencia: 100% porcentaje de acierto que devuelve el sistema,
si es ası́, la frase introducida será válida para
Resultado 3: etiquetarla como concepto.
----------- En la Figura 3 se muestran algunos
Concepto: Salud de las Mujeres ejemplos del calculo de la métrica M para
Código UMLS: C0080339 finalmente concluir si es un concepto válido
Coincidencia: 75% o no lo es. Por ejemplo, para la frase
“vı́as urinarias” el primer resultado no es
satisfactorio puesto que el concepto devuelto
Figura 2: Ejemplo de resultados obtenidos contiene un único término, en cambio, el
con el reconocedor automático. resultado 2, si es un concepto válido puesto
que es multipalabra y además satisface que
el valor de coincidencia 1 y es igual a
2
https://www.nltk.org/ (2-0)/(2-0) de la fórmula 1. Por otro lado,
3
https://snowballstem.org/ el último ejemplo, el concepto “sin dolor
79
Pilar López-Úbeda, Manuel Carlos Díaz Galiano, María Teresa Martín-Valdivia y L. Alfonso Ureña-López
genitourinario” cumple la condición de ser La organización proponı́a poder participar
multipalabra pero no satisface que 0.66 sea en los siguientes escenario por subtareas:
mayor o igual que (3-1)/(3-1). A-B-C, B-C y C. Nuestro grupo SINAI
ha participado en dos de los escenarios
Frase buscada: vı́as urinarias propuestos: A-B-C y B-C. Para ambos
Resultado 1: escenarios se implementaron todas las demás
----------- funcionalidades explicadas en la Sección 2
Concepto: Urinarios además de utilizar el baseline desarrollado
Código UMLS: C0184219 por la organización5 .
Coincidencia: 100% Los resultados obtenidos se muestran en
M = 0.5 la Tabla 1.
Round Precision Recall Micro F1
Resultado 2:
score
-----------
Concepto: Vı́as Urinarias A-B-C 0,84 0,62 0,71
Código UMLS: C0042027 B-C 0,90 0,54 0,67
Coincidencia: 100% Tabla 1: Resultados obtenidos para cada
M = 1 escenario.
Frase buscada: análisis de orina La medidas de evaluación propuestas por
Resultado 1: la organización son: precisión, cobertura y
----------- F1. Con la precisión, podemos observar que
Concepto: análisis de orina alcanzamos clasificando en torno al 85 % y
Código UMLS: C0042014 90 %, aunque decaemos en la exhaustividad
Coincidencia: 100% por lo que en la medida Micro F1 nos penaliza
M = 1 estos errores.
La media del F1 final ha sido de 0,461 ya
Frase buscada: urgencia sin dolor que no hemos participado en el escenario C y
Resultado 1: con ello, no hemos podido ponderar esa parte
----------- obteniendo finalmente este bajo resultado.
Concepto: sin dolor genitourinario
Código UMLS: C0423702 4 Conclusiones y trabajos futuros
Coincidencia: 66%
M = 1 En este trabajo, el grupo SINAI presenta
su primera participación a la tarea 3
del TASS. En nuestra aproximación hemos
realizado un sencillo análisis del texto
Figura 3: Ejemplos de valores obtenidos en la proporcionado, adaptando los resultados
detección de multipalabras. de diversas herramientas a los resultados
esperados. Como novedad, hemos creado
En la Figura 4 mostramos el resultado
una métrica que ayuda a nuestro sistema
en las distintas subtareas después de haber
a seleccionar aquellos conceptos de UMLS
utilizando el reconocedor multipalabra.
más importantes en el texto. Dicha métrica
es sencilla de implementar y rápida en
3 Resultados
su ejecución, por lo que permite tener un
La tarea 3 del TASS está compuesta por detector de entidades biomédicas con una
varias subtareas4 : eficiencia moderada y un gran rendimiento.
En el ranking final expuesto por los
1. Subtarea A: Identificación de frases organizadores, nuestro grupo ha quedado en
clave. segunda posición aunque no hemos llegado
a participar en el escenario C y por ello se
2. Subtarea B: Clasificación de frases clave.
obtuvieron resultados no muy altos.
3. Subtarea C: Determinación de relaciones Para próximas ediciones pretendemos
semánticas. finalizar un nuevo sistema, el cual nos
4 5
http://www.sepln.org/workshops/tass/2018/task-3/ https://github.com/TASS18-Task3/data
80
SINAI en TASS 2018 Task 3. Clasificando Acciones y Conceptos con UMLS en MedLine
Figura 4: Ejemplo frase anotada para el escenario A-B-C
permita participar en el escenario C Bodenreider, Olivier. 2004. The
utilizando las relaciones entre conceptos unified medical language system
existentes en UMLS. Sin embargo, nuestro (UMLS): integrating biomedical
principal objetivo consiste en mejorar terminology. Nucleic acids research,
el reconocedor automático de entidades 32(suppl 1):D267–D270.
biomédicas en español, incluyendo nuevas
Giunchiglia, Fausto y Mattia Fumagalli.
métricas que nos permitan mejorar la
2017. Teleologies: Objects, actions and
precisión en la detección de multipalabras.
functions. En International Conference
Pretendemos entrenar un sistemas de
on Conceptual Modeling, páginas 520–534.
aprendizaje automático para que nos
Springer.
permita combinar dichas métricas de la
mejor forma posible. Gonzalez-Hernandez, G, A Sarker,
K O’Connor, y G Savova. 2017.
Agradecimientos Capturing the patient’s perspective:
a review of advances in natural
Este trabajo está parcialmente
language processing of health-related
subvencionado por el Fondo Europeo
text. Yearbook of medical informatics,
de Desarrollo Regional (FEDER) y el
26(01):214–227.
proyecto REDES (TIN2015-65136-C2-1-R)
del Gobierno de España. Krauthammer, Michael y Goran Nenadic.
2004. Term identification in the
Bibliografı́a biomedical literature. Journal of
Biomedical Informatics, 37(6):512–526.
Allones, Jose Luı́s, Diego Martı́nez, y
Maria Taboada. 2014. Automated Manning, Christopher, Mihai Surdeanu,
mapping of clinical terms into snomed-ct. John Bauer, Jenny Finkel, Steven
an application to codify procedures Bethard, y David McClosky. 2014. The
in pathology. J. Medical Systems, stanford CoreNLP natural language
38(10):134. processing toolkit. En Proceedings of
52nd annual meeting of ACL: system
Aronson, Alan R. 2001. Effective demonstrations, páginas 55–60.
mapping of biomedical text to the
umls metathesaurus: the metamap Martı́nez-Cámara, Eugenio, Yudivián
program. En Proceedings of AMIA, Almeida-Cruz, Manuel C. Dı́az-Galiano,
página 17. American Medical Informatics Suilan Estévez-Velarde, Miguel Á.
Association. Garcı́a-Cumbreras, Manuel Garcı́a-Vega,
Yoan Gutiérrez, Arturo Montejo-Ráez,
Atkin, Steven Edward. 2005. Meta Andrés Montoyo, Rafael Muñoz,
normalization for text, Abril 19. US Alejandro Piad-Morffis, y Julio
Patent 6,883,007. Villena-Román. 2018. Overview of TASS
81
Pilar López-Úbeda, Manuel Carlos Díaz Galiano, María Teresa Martín-Valdivia y L. Alfonso Ureña-López
2018: Opinions, health and emotions.
En Eugenio Martı́nez-Cámara Yudivián
Almeida Cruz Manuel C. Dı́az-Galiano
Suilan Estévez Velarde Miguel Á.
Garcı́a-Cumbreras Manuel Garcı́a-Vega
Yoan Gutiérrez Vázquez Arturo
Montejo Ráez André Montoyo Guijarro
Rafael Muñoz Guillena Alejandro
Piad Morffis, y Julio Villena-Román,
editores, Proceedings of TASS 2018:
Workshop on Semantic Analysis at
SEPLN (TASS 2018), volumen 2172 de
CEUR Workshop Proceedings, Sevilla,
Spain, September. CEUR-WS.
Martı́nez-Cámara, Eugenio, Manuel C.
Dı́az-Galiano, Miguel Á.
Garcı́a-Cumbreras, Manuel Garcı́a-Vega,
y Julio Villena-Román. 2017. Overview
of tass 2017. En Julio Villena Román
M. Ángel’ Garcı́a Cumbreras
Eugenio Martı́nez-Cámara M. Carlos
Dı́az Galiano, y Manuel Garcı́a Vega,
editores, Proceedings of TASS 2017:
Workshop on Semantic Analysis at
SEPLN (TASS 2017), volumen 1896 de
CEUR Workshop Proceedings, Murcia,
Spain, September. CEUR-WS.
Osborne, John D, Simon Lin, Lihua Julie
Zhu, y Warren A Kibbe. 2007. Mining
biomedical data using metamap transfer
(mmtx) and the unified medical language
system (umls). Gene Function Analysis,
páginas 153–169.
Wright, Lawrence W, Holly K Grossetta
Nardini, Alan R Aronson, y Thomas C
Rindflesch. 1999. Hierarchical concept
indexing of full-text documents in
the unified medical language system
information sources map. Journal of the
Association for Information Science and
Technology, 50(6):514.
82