言語モデルによる生物学的データセットのメタデータハーモナイゼーション

科学分野:

• 生物医学情報学
• データサイエンス
• 自然言語処理

背景:

• 生物医学データの統合は、メタデータの不一致や研究者固有の専門用語のために困難です。
• 現在のメタデータハーモナイゼーション手法は、労働集約的であるか、既存のワークフローを中断させることがよくあります。
• 手作業による標準化は、データキュレーション時間の40%以上を消費し、研究の進歩を妨げています。

研究 の 目的:

• 自動化された生物医学的メタデータハーモナイゼーションのための言語モデルベースのソリューションを開発および評価すること。
• 研究者固有の用語を標準化された語彙にマッピングする精度と効率を向上させること。
• データキュレーションに必要な手作業を削減し、下流のデータ統合を加速すること。

主な方法:

• 現実的なデータ拡張を使用してGPT-2言語モデルをファインチューニングし、多様な用語表現を生成しました。
• がん、アルコール研究、感染症データのためのドメイン固有モデルを開発しました。
• 辞書内および辞書外の精度メトリックを使用してモデルのパフォーマンスを評価しました。

主要な成果:

• 既知の用語に対して96%の辞書内精度を達成し、手作業による労力を90%以上削減しました。
• 新しい標準用語に対する辞書外精度17%を実証し、既存の手法を上回りました。
• 大規模な汎用モデルと比較して、専門用語に対してはドメイン固有モデルの方が優れたパフォーマンスを示しました。

結論:

• 提案された言語モデルアプローチは、生物医学的メタデータハーモナイゼーションのためのスケーラブルで低負荷なソリューションを提供します。
• 自動化されたハーモナイゼーションは、手作業によるキュレーションを最小限に抑えることで、データ統合を大幅に加速します。
• この手法は、包括的な同義語セットが不足しているドメインでも効果的な標準化を可能にします。