Indexation conceptuelle application au domaine biomédical. Mesures de similarité dans les ontologies. [Séminaire MIAD Montpellier SupAgro]

Transcription

1 [] Indexation conceptuelle application au domaine biomédical Mesures de similarité dans les ontologies Sylvie Ranwez Sébastien Harispe LGI2P de l école des mines d Alès équipe KID (Knowledge and Image analysis for Decision making) prenom.nom@mines-ales.fr Institut Mines-Télécom

2 Contexte de recherche de l équipe KID Capacité de traitement informatique associée aux connaissances tacites de l homme Interaction homme/machine pour une résolution conjointe de problèmes d apprentissage et de décision Nécessaire de : Extraire de la connaissance Comprendre et analyser l information Donner du sens Visualiser la connaissance Décider Rechercher, analyser, structurer, filtrer les informations à la lumière de modèles de connaissances 2 13/03/2015 Institut Mines-Télécom

3 Recherche d Information Conceptuelle Ressources Requête Indexation Index des documents Ontologie de domaine Appariement (distance sémantique)? Analyse/Indexation Index de la requête R E F O R M U L A T I O N Présentation des ressources jugées pertinentes 3 13/03/2015 Institut Mines-Télécom

4 Recherche d Information Conceptuelle De nombreux avantages Filtrer les informations et augmenter la précision ; désambiguïser (polysémie, synonymie ) Exploitation d information implicite ; Généralisation/spécialisation de la requête Exploiter TOUS les types de ressources (textes, images, gènes, personnes ) des inconvénients Domaine fermé Il faut avoir une ontologie et des ressources indexées Besoin de solution pour annoter les ressources avec des éléments de l ontologie 4 13/03/2015 Institut Mines-Télécom

5 Objectifs Indexation/annotation conceptuelle de ressources pour la mise à jour régulière des référentiels de connaissances et le partage de ces connaissances Textes (e.g. publications scientifiques, CR de consultation) Images (e.g. radiographies, photos, ECG) Vidéos Sons A framework for unifying ontologybased semantic similarity measures Algorithms Medical Informatics/methods Models, Theoretical Natural Language Processing Semantics Software L indexation est longue et requiert une forte expertise (du domaine et de l ontologie e.g. MeSH 2014 contient concepts) 5 13/03/2015 Institut Mines-Télécom

6 Etat de l art Des approches algorithmiques ont été proposées Textes : NLP, Machine Learning (MTI-2004, NCBO-2009, MaxMatcher- 2006, MetaMap-2001) Images : reconnaissance de forme Vidéos : analyse de son Sons : retranscription du son + NLP Idée : se baser sur des ressources déjà indexées E.g. PMRA (PubMed Related Articles) : basé sur une proximité linguistique (mots en commun) et sur une similarité sémantique (estimée entre les concepts du MeSH qui indexent les publications) PMRA* n utilise que la première phase 2 phases : Retrouver les documents qui sont "proches" du document à annoter Agréger les annotation de ces documents pour indexer le nouveau Souvent, simple classement des concepts récoltés en phase 1 MTI fréquence du concept dans le titre et l abstract v.s. le reste du document Machine-Learning (ML) : gradient boosting, reflective random indexing et Learning-To-Rank (LTR) 6 13/03/2015 Institut Mines-Télécom

7 Indexation conceptuelle par propagation d 7 d 11 d 3 d 12 d 10 d 5 d 6 d 8 d 2 d 1 d 13 d 9 d 4 Construire une carte sémantique sur laquelle les documents sont positionnés en fonction de leur similarité sémantique [travaux de thèse de Nicolas Fiorini] 7 13/03/2015 Institut Mines-Télécom

8 Indexation conceptuelle par propagation d 7 d 11 d 3 d 12 d 10 d 5 d 6 d x d 8 d 2 d 1 d 13 d 9 d 4 Déposer un nouveau document à indexer à proximité de ceux qu on estime proches [travaux de thèse de Nicolas Fiorini] 8 13/03/2015 Institut Mines-Télécom

9 Indexation conceptuelle par propagation d 7 d 11 d 3 d 12 d 10 d 5 d 6 d x d 8 d 2 d 1 d 13 d 9 d 4 Propagation des annotations des k-plus-proches voisins Synthèse : Mammals Carnivora Dog Cat Mammals / Carnivora Différentes stratégies possibles & différentes mesures sémantiques [travaux de thèse de Nicolas Fiorini] 9 13/03/2015 Institut Mines-Télécom

10 Indexation conceptuelle par propagation Prendre comme ensemble de départ l union de tous les concepts qui apparaissent dans l indexation des k-nn V : voisinage composé des k-nn 0 = d : document A d : annotation de d Optimisation d une fonction Objectif =argmax A 0 ( ), ( )= sim(, ) d j V Ne nécessite pas de phase d apprentissage sur un gros volume de données Annotation consistante et synthétique Fiorini, N., Ranwez, S., Ranwez, V. and Montmain, J. Indexation conceptuelle par propagation. Application à un corpus d articles scientifiques lieś au cancer, CORIA /03/2015 Institut Mines-Télécom

11 User-oriented Semantic Indexer (USI) Logiciel développé en Java Phase 1 : Détection des documents proches de celui à annoter Utilisation de PMRA* Phase 2 : Identification des k-nn En utilisant les k documents placés en tête de PMRA* Par positionnement sur une carte sémantique Calcul de l ensemble de départ des annotations (on peut filtrer pour ne conserver, par exemple, que ceux qui apparaissent 2 fois) Optimisation de la fonction objectif en tenant compte de distances sémantiques entre les concepts Fiorini, N., Ranwez, S., Montmain, J. and Ranwez, V. USI: a fast and accurate approach for conceptual document annotation, BMC Bioinformatics, to appear /03/2015 Institut Mines-Télécom

12 User-oriented Semantic Indexer (USI) Ontologie de domaine {c 1, c 2 } PMRA*(d i ) d 1 3 documents placés en tête d 1 d 2 K = {d 1, d 2, d 3 } A 0 = {c 1, c 2, c 3, c 4, c 5 } Medial search USI {c 2, c 3 } {c 2, c 3 } d 2 d 3 K = {d 1, d 2, d 3 } A 0+filter = {c 2, c 3 } USI_filter {c 2, c 3 } {c 3, c 4, c 5 } {c 6 } {c 5, c 7, c 8 } d 3 d 4 d 5 3-NN identifiés sur une carte sémantique d 1 d 2 d 4 d 3 d 5 K = {d 2, d 3, d 5 } A 0 = {c 2, c 3, c 4, c 5, c 7, c 8 } K = {d 2, d 3, d 5 } A 0+filter = {c 3, c 5 } USI+map {c 3, c 4, c 7 } USI_filter+map {c 3, c 5 } 12 13/03/2015 Institut Mines-Télécom

13 User-oriented Semantic Indexer (USI) Optimisation Stocker la matrice de distance des A 0 x A 0 concepts Optimisation algorithmique Résultats (1000 documents annotés par des experts avec le MeSH et leurs 50-NN) Pas d amélioration si on rajoute de nouveaux concepts (les pères des concepts présents dans A 0 ) Notre méthode se distingue de l état de l art : c est l ensemble des concepts proposés qui fait sens pour caractériser le doc de façon globale Ici on conserve les 50 premiers documents de PMRA* et k=20 Method F-score Semantic score Processing time (s) PMRA* + MetaMap + Clustering (MTI) N/A PMRA* + LTR PMRA* + USI PMRA* + USI filter PMRA* + USI + map PMRA* + USI filter + map /03/2015 Institut Mines-Télécom

14 Faire face à l imprécision En fonction de la densité et de l hétérogénéité de la carte, la précision du positionnement a plus ou moins d influence Fiorini, N., Ranwez, S., Montmain, J. and Ranwez, V. Coping with imprecision during a semi-automatic conceptual indexing process, IPMU 2014, Series: Communications in Computer and Information Science, Vol. 444, Springer /03/2015 Institut Mines-Télécom

15 User-oriented Semantic Indexer (USI) Challenge BioASQ 1 Indexer des documents de PubMed (titre abstract, écrits en anglais) Des experts les annotent manuellement et les deux annotations sont comparées Batch 1 semaine 2 : 3 ème Batch 1 semaine 3 : 3 ème Batch 1 semaine 4 : 4 ème Batch 1 semaine 5 : 2 ème 15 05/05/2015 Institut Mines-Télécom Modèle de présentation Mines Alès

16 User-oriented Semantic Indexer (USI) Une application grand public /03/2015 Institut Mines-Télécom

17 Annotation de cluster Dans certaines applications on veut considérer un ensemble de ressources : Clusters de gènes Ensemble de publications Regroupement d images (e.g. patients) E.g. analyse de résistance au zinc regrouper des gènes présentant des profils similaires sélectionner des profils en fonction du sens donné à ces profils Analyser des profils d'expression Pierre Berthomieu, Vincent Ranwez Quel sens donner à ces ensembles? Synthèse de l annotation ou annotation moyenne (e.g. sur-représentation statistique de concepts)? 17 13/03/2015 Institut Mines-Télécom

18 Annotation de cluster c 1 c 2 c 3 A combien doiton limiter le nombre de concepts??? c 4 c 5 c 6 c 7 c 8 c 9 c 10 c 11 c 13 c 14 c 12 Annoter par c 2 ou conserver {c 4, c 8 c 9 }? Gène 1 {c 8, c 9 }? Gène 2 {c 8, c 4, c 2 } Gène 3 {c 12, c 6, c 11 } Gène 4 {c 13, c 6, c 9 }? Gène 5 {c 13, c 14, c 9 } Faut-il rajouter les nœuds intermédiaires : c 10, c 5, c 4? 18 13/03/2015 Institut Mines-Télécom

19 Annotation de cluster {c 1, c 2 } {c 2, c 3 } Cluster identifié C d 1 d 2 1) Identifier les clusters 2) Pour chaque cluster déterminer l ensemble des concepts d annotation de départ (union de tous les concepts apparaissant dans les annotations des documents et de tous leurs parents) {c 3, c 4, c 5 } {c 6 } d 3 d 4 0 = ( ) 3) Fournir une annotation concise, non redondante, mais suffisamment précise =argmax A 0 ( ) {c 5, c 7, c 8 } d 5 ( )= 1 sim(, ) ( ) d C Annotation proche des documents du cluster A Pénalise une annotation longue et spécifique 19 13/03/2015 Institut Mines-Télécom

20 Annotation de cluster Validation en cours /03/2015 Institut Mines-Télécom

21 Mesures sémantiques Au cœur du processus de recherche d information Désambiguïser les termes d une requête Calculer le score de pertinence d une ressource Pour le clustering Appariement de ressources Annotation Synthèse de plusieurs annotations 21 13/03/2015 Institut Mines-Télécom