СЕМАНТИЧЕСКАЯ РОЛЕВАЯ МАРКИРОВКА ДЛЯ КЛИНИЧЕСКОГО ТЕКСТА НА КАЗАХСКОМ ЯЗЫКЕ

Маркировка семантических ролей (SemanticRoleLabeling, SLR) извлекает поверхностное представление смыслов и их отношений из различных текстов, семантический слой важен для понимания естественного языка. Исследований в маркировке семантических ролей в области медицины было проведено мало, в основном, из-за отсутствия аннотированных клинических корпусов, особенно на русском языке. Целью настоящей работы является разработка каркаса маркировки семантических ролей для клинических заметок с  использованием корпуса, созданного практикующими врачами клиницистами, для повышения производительности и экономии затрат, а также повышения качества предиктивной медицины. Материалы и методы: в качестве набора данных целевого домена использовалась обезличенная база данных, собранная на основе клинической практики, в частности, по болезням желудочно-кишечного тракта, сердечно сосудистой системы и других. Записи были вручную проанализированы и помечены. Представлен каркас семантической разметки и приведен разбор применимости семантических ролей и их отношений относительно реальных клинических случаев.

1. Pradhan S. S., Ward W. H., Hacioglu K., et al. Shallow semantic parsing using support vector machines / In: Proceedings of Human Language Technology Conference of the North American Chapter of the Association for Computational Linguistics. - Boston, Massachusetts, USA: Association for Computational Linguistics July 21-26, 2004. - P. 233-240.

2. Allen J. Natural Language Understanding. / 2nd ed. Menlo Park, CA: Benjamin / Cummings., 1995.

3. Surdeanu M., Harabagiu S., Williams J., et al. Using predicate-argument structures for information extraction // In: Proceedings of the 41st Annual Meeting of the Association for Computational Linguistics. Sapporo, Japan: Association for Computational Linguistics July 7-12, 2003. - P. 8-15.

4. Akane Y., Yusuke M., Tomoko O., et al. Automatic construction of predicate- argument structure patterns for biomedical information extraction. In: Proceedings of the 2006 Conference on Empirical Methods in Natural Language Processing. Seattle, Washington, USA: Association for Computational Linguistics July 22-23, 2006. - P. 284-292.

5. Yakushiji A., Miyao Y., Tateisi Y., et al. Biomedical information extraction with predicate-argument structure patterns. In: Proceedings of the First International Symposium on Semantic Mining in Biomedicine. Hinxton, Cambridge, UK: European Bioinformatics Institute April 10-13, 2005. - P. 60-69.

6. Nguyen N. T. H., Miwa M., Tsuruoka Y., et al. Open information extraction from biomedical literature using predicate-argument structure patterns // In: Proceedings of the 5th International Symposium on Languages in Biology and Medicine. Zurich, Switzerland December 12-13, 2013.

7. Wattarujeekrit T., Shah P. K., Collier N. PASBio: predicate-argument structures for event extraction in molecular biology. BMC Bioinformatics 200. - P. 155.

8. Kogan Y., Collier N., Pakhomov S., et al. Towards semantic role labeling & IE in the medical literature. AMIA Symposium October 22-26, 2005.-P. 410-414.

9. Shah P. K., Bork P. LSAT: learning about alternative transcripts in MEDLINE. Bioinformatics 2006. - P. 857-865.

10. Bethard S., Lu Z., Martin J. H., et al. Semantic role labeling for protein transport predicates. BMC Bioinformatics 2008. - P. 277.

11. Barnickel T., Weston J., Collobert R., et al. Large scale application of neural network based semantic role labeling for automated relation extraction from biomedical texts. PloS One 2009. - P. e6393.

12. Paek H., Kogan Y., Thomas P., et al. Shallow semantic parsing of randomized controlled trial reports. AMIA Symposium November 11-15, 2006. - P. 604-608.

13. Albright D., Lanfranchi A., Fredriksen A., et al. Towards comprehensive syntactic and semantic annotations of the clinical narrative. J Am Med Inform Assoc. 2013. - P. 922-930.

14. Wang Y., Pakhomov S., Melton G. B. Predicate argument structure frames for modeling information in operative notes. Stud Health Technol Inform. 2013. - P. 783-787.

15. Meyers A., Reeves R., Macleod C., et al. Annotating noun argument structure for NomBank. In: Proceedings of the Language Resources and Evaluation Conference. Lisbon, Portugal: European Language Resources Association May 26-28, 2004. - P. 803-806.

16. Meyers A., Reeves R., Macleod C., et al. The NomBank Project: an interim peport. In: Proceedings of the HLT-NAACL 2004 Workshop: Frontiers in Corpus Annotation. Boston, Massachusetts, USA: Association for Computational Linguistics May 6, 2004. - P. 24-31

17. Palmer M., Gildea D., Kingsbury P. The proposition bank: an annotated corpus of semantic roles. Comput Linguist. 2005. - P. 71-106.

18. Rindflesch T. C., Fiszman M. The interaction of domain knowledge and linguistic structure in natural language processing: interpreting hypernymic propositions in biomedical text. J Biomed Inform. 2003. - P. 462-477.

19. Kilicoglu H., Shin D., Fiszman M., et al. SemMedDB: a PubMed-scale repository of biomedical semantic predications. Bioinformatics 2012. - P. 3158-3160.

20. Sager N. Natural Language Information Processing. UK; Addison-Wesley,1981.

21. Chen E. S., Hripcsak G., Xu H., et al. Automated acquisition of disease-drug knowledge from biomedical and clinical documents: an initial study. Jam Med Inform Assoc. 2008. - P. 87-98.

22. Simpson M. S., Demner-Fushman D. Biomedical text mining: a survey of recent progress. In: Aggarwal C. C., Zhai C., eds. Mining Text Data. USA; Springer 2012. - P. 465-517.

23. Schuler K. K. VerbNet: A Broad-Coverage, Comprehensive Verb Lexicon. ProQuest Paper AAI3179808, 2005.

24. Ruppenhofer J., Ellsworth M., Petruck M. R. L., et al. FrameNet II: extended the ory and practice. http://framenet.icsi.berkeley.edu/ Accessed 10 March 2014.

25. Levin B. English Verb Classes and Alternations: a Preliminary Investigation. - Chicago, USA: University of Chicago Press 1993.