Une étude comparative empirique sur la reconnaissance des entités médicales [An empirical comparative study of medical entity recognition]

Une étude comparative empirique sur la reconnaissance des entités médicales Asma Ben Abacha — Pierre Zweigenbaum LIMSI-CNRS, BP 133 91403 Orsay cedex abacha@limsi.fr, pz@limsi.fr RÉSUMÉ. De nombreux travaux se sont attaqués à la reconnaissance des entités médicales à partir de textes. Cependant il n’y a pas eu, à notre connaissance, d’études comparant deux stratégies pour traiter cette tâche : (i) l’extraction en amont des syntagmes nominaux, suivie d’une étape de catégorisation de leur type et (ii) la détermination simultanée des frontières et des types des entités. C’est la question que nous nous posons ici. Nous testons ces deux straté- gies en utilisant des méthodes à base de règles et/ou à base d’apprentissage. Nous comparons leur robustesse et aussi leur portabilité en les évaluant sur deux corpus médicaux standard de genres différents. Les résultats obtenus confirment que les méthodes statistiques sont plus ro- bustes que celles à base de règles à condition qu’un nombre suffisant d’exemples soit disponible. À cette contrainte s’ajoute le manque de portabilité des méthodes à base d’apprentissage sur des corpus différents. Les méthodes hybrides combinant les aspects sémantiques et statistiques permettent d’améliorer davantage les performances obtenues par apprentissage. ABSTRACT. Several research efforts tackled medical entity recognition from texts. However, to our knowledge, there are no comparative studies for the following approaches: (i) the extraction of noun phrases in an independent step before the final categorization step and (ii) identifying simultaneously entity boundaries and categories. In this paper, we focus on these approaches by experimenting with different methods based on rules and/or machine learning techniques. We compare their performance and evaluate their scalability on two standard medical corpora. The results confirm that machine learning methods are more robust than rule-based ones provided that a sufficient number of examples is available. They also point out the lack of scalability of such methods on corpora of different genres. Hybrid methods combining statistical and semantic techniques allow improving the performance obtained by machine learning. MOTS-CLÉS : reconnaissance des entités médicales, extraction d’information, apprentissage. KEYWORDS: medical entity recognition, information extraction, machine learning. TAL. Volume 53 – n˚ 1/2012, pages 39 à 68 40 TAL. Volume 53 – n˚ 1/2012 1. Introduction Dans cette section, nous présentons les motivations, la problématique ainsi que les objectifs de notre travail puis exposons le plan de l’article. 1.1. Motivations Avec le volume important des connaissances médicales numérisées à large échelle, retrouver automatiquement une information de haute précision est devenu un défi. Le volume des connaissances médicales double tous les 5 ans (Engelbrecht, 1997), voire tous les 2 ans (Hotvedt, 1996). Avec la numérisation à large échelle, plusieurs moteurs de recherche spécialisés dans ce domaine ont vu le jour (e.g. PubMed1). À une requête donnée, ces moteurs retournent un ensemble de documents et délèguent à l’utilisateur la tâche de trouver l’information cherchée, si elle existe, dans les documents retour- nés. Pour faciliter la recherche d’information, des systèmes plus précis sont mis en œuvre, comme les systèmes de questions-réponses (Terol et al., 2007 ; Embarek et Ferret, 2010). …

Content truncated to 500 words