| { | |
| "paper_id": "F14-1010", | |
| "header": { | |
| "generated_with": "S2ORC 1.0.0", | |
| "date_generated": "2023-01-19T10:22:46.016490Z" | |
| }, | |
| "title": "Annotations et inf\u00e9rences de relations dans un r\u00e9seau lexico-s\u00e9mantique: application \u00e0 la radiologie", | |
| "authors": [ | |
| { | |
| "first": "L", | |
| "middle": [], | |
| "last": "Ramadier", | |
| "suffix": "", | |
| "affiliation": {}, | |
| "email": "[email protected]" | |
| }, | |
| { | |
| "first": "M", | |
| "middle": [], | |
| "last": "Zarrouk", | |
| "suffix": "", | |
| "affiliation": {}, | |
| "email": "[email protected]" | |
| }, | |
| { | |
| "first": "M", | |
| "middle": [], | |
| "last": "Lafourcade", | |
| "suffix": "", | |
| "affiliation": {}, | |
| "email": "[email protected]" | |
| }, | |
| { | |
| "first": "A", | |
| "middle": [], | |
| "last": "Micheau", | |
| "suffix": "", | |
| "affiliation": {}, | |
| "email": "" | |
| } | |
| ], | |
| "year": "", | |
| "venue": null, | |
| "identifiers": {}, | |
| "abstract": "Les ontologies sp\u00e9cifiques \u00e0 un domaine ont une valeur inestimable malgr\u00e9 les nombreux d\u00e9fis li\u00e9s \u00e0 leur d\u00e9veloppement. Dans la plupart des cas, les bases de connaissances sp\u00e9cifiques \u00e0 un domaine sont construites avec une port\u00e9e limit\u00e9e. En effet, elles ne prennent pas en compte les avantages qu'il pourrait y avoir \u00e0 combiner une ontologie de sp\u00e9cialit\u00e9 \u00e0 une ontologie g\u00e9n\u00e9rale. En outre, la plupart des ressources existantes manque de m\u00e9ta-informations sur les annotations (informations fr\u00e9quentielles : de fr\u00e9quent \u00e0 rare ; ou des informations de pertinence : pertinent, non pertinent et inf\u00e9rable). Nous pr\u00e9sentons dans cet article un r\u00e9seau lexical d\u00e9di\u00e9 \u00e0 la radiologie construit sur un r\u00e9seau lexical g\u00e9n\u00e9raliste (JeuxDeMots). Ce r\u00e9seau combine poids et annotations sur des relations typ\u00e9es entre des termes et des concepts, un m\u00e9canisme d'inf\u00e9rence et de r\u00e9conciliation dans le but d'am\u00e9liorer la qualit\u00e9 et la couverture du r\u00e9seau. Nous \u00e9tendons ce m\u00e9canisme afin de prendre en compte non seulement les relations mais aussi les annotations. Nous d\u00e9crivons la mani\u00e8re de laquelle les annotations am\u00e9liorent le r\u00e9seau en imposant de nouvelles contraintes sp\u00e9cialement celles bas\u00e9es sur la connaissance m\u00e9dicale. Nous pr\u00e9sentons par la suite des r\u00e9sultats pr\u00e9liminaires.", | |
| "pdf_parse": { | |
| "paper_id": "F14-1010", | |
| "_pdf_hash": "", | |
| "abstract": [ | |
| { | |
| "text": "Les ontologies sp\u00e9cifiques \u00e0 un domaine ont une valeur inestimable malgr\u00e9 les nombreux d\u00e9fis li\u00e9s \u00e0 leur d\u00e9veloppement. Dans la plupart des cas, les bases de connaissances sp\u00e9cifiques \u00e0 un domaine sont construites avec une port\u00e9e limit\u00e9e. En effet, elles ne prennent pas en compte les avantages qu'il pourrait y avoir \u00e0 combiner une ontologie de sp\u00e9cialit\u00e9 \u00e0 une ontologie g\u00e9n\u00e9rale. En outre, la plupart des ressources existantes manque de m\u00e9ta-informations sur les annotations (informations fr\u00e9quentielles : de fr\u00e9quent \u00e0 rare ; ou des informations de pertinence : pertinent, non pertinent et inf\u00e9rable). Nous pr\u00e9sentons dans cet article un r\u00e9seau lexical d\u00e9di\u00e9 \u00e0 la radiologie construit sur un r\u00e9seau lexical g\u00e9n\u00e9raliste (JeuxDeMots). Ce r\u00e9seau combine poids et annotations sur des relations typ\u00e9es entre des termes et des concepts, un m\u00e9canisme d'inf\u00e9rence et de r\u00e9conciliation dans le but d'am\u00e9liorer la qualit\u00e9 et la couverture du r\u00e9seau. Nous \u00e9tendons ce m\u00e9canisme afin de prendre en compte non seulement les relations mais aussi les annotations. Nous d\u00e9crivons la mani\u00e8re de laquelle les annotations am\u00e9liorent le r\u00e9seau en imposant de nouvelles contraintes sp\u00e9cialement celles bas\u00e9es sur la connaissance m\u00e9dicale. Nous pr\u00e9sentons par la suite des r\u00e9sultats pr\u00e9liminaires.", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Abstract", | |
| "sec_num": null | |
| } | |
| ], | |
| "body_text": [ | |
| { | |
| "text": "Depuis environ deux d\u00e9cennies, l'utilisation d'ontologies et de r\u00e9seaux lexicaux dans le domaine biom\u00e9dical est devenue tr\u00e8s r\u00e9pandue (Bodenreider et al., 2008) . Ces ressources sont utilis\u00e9es pour l'analyse s\u00e9mantique comme pour la reconnaissance d'entit\u00e9s nomm\u00e9es (par exemple l'identification de noms des g\u00e8nes) ou bien l'extraction de relations (identification des relations s\u00e9mantiques entre entit\u00e9s biom\u00e9dicales (Abacha et Zweigenbaum, 2011) comme pour le cas des interactions entre prot\u00e9ines). Dans le cadre du projet UMLS (Unified Medical Language System), un r\u00e9seau s\u00e9mantique a \u00e9t\u00e9 construit (Lomax et McCray, 2004) . Ce r\u00e9seau est utilis\u00e9 dans le domaine de la radiologie pour analyser de fa\u00e7on automatique les comptes rendus radiologiques afin d'extraire les recommandations en vue d'am\u00e9liorer la prise en charge des patients (Yetisgen-Yildiz et al., 2013) . La plupart du temps, l'ontologie d\u00e9di\u00e9e \u00e0 la radiologie est plong\u00e9e dans une ontologie m\u00e9dicale g\u00e9n\u00e9raliste qui est trop importante et complexe pour l'utilisateur final. Pour tenter de r\u00e9soudre ce probl\u00e8me, la soci\u00e9t\u00e9 de radiologie Nord-Am\u00e9ricaine (RSNA) a cr\u00e9e une ontologie sp\u00e9cifiquement d\u00e9di\u00e9e \u00e0 la radiologie Radlex (Rubin, 2008) , (Mejino Jr et al., 2008) . Cependant, la couverture de RadLex n'est pas consid\u00e9r\u00e9e comme compl\u00e8te (Hong et al., 2012) . Il existe une version allemande de RadLex (Gerstmair et al., 2012) mais aucune en fran\u00e7ais \u00e0 notre connaissance.", | |
| "cite_spans": [ | |
| { | |
| "start": 134, | |
| "end": 160, | |
| "text": "(Bodenreider et al., 2008)", | |
| "ref_id": "BIBREF1" | |
| }, | |
| { | |
| "start": 418, | |
| "end": 447, | |
| "text": "(Abacha et Zweigenbaum, 2011)", | |
| "ref_id": "BIBREF0" | |
| }, | |
| { | |
| "start": 602, | |
| "end": 625, | |
| "text": "(Lomax et McCray, 2004)", | |
| "ref_id": "BIBREF6" | |
| }, | |
| { | |
| "start": 838, | |
| "end": 868, | |
| "text": "(Yetisgen-Yildiz et al., 2013)", | |
| "ref_id": "BIBREF11" | |
| }, | |
| { | |
| "start": 1192, | |
| "end": 1205, | |
| "text": "(Rubin, 2008)", | |
| "ref_id": "BIBREF9" | |
| }, | |
| { | |
| "start": 1208, | |
| "end": 1232, | |
| "text": "(Mejino Jr et al., 2008)", | |
| "ref_id": "BIBREF7" | |
| }, | |
| { | |
| "start": 1306, | |
| "end": 1325, | |
| "text": "(Hong et al., 2012)", | |
| "ref_id": "BIBREF3" | |
| }, | |
| { | |
| "start": 1370, | |
| "end": 1394, | |
| "text": "(Gerstmair et al., 2012)", | |
| "ref_id": "BIBREF2" | |
| } | |
| ], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "Cependant, un lexique m\u00e9dical unifi\u00e9 en langue fran\u00e7aise a \u00e9t\u00e9 r\u00e9alis\u00e9 (Zweigenbaum et al., 2005) mais il reste d'ordre g\u00e9n\u00e9ral.", | |
| "cite_spans": [ | |
| { | |
| "start": 71, | |
| "end": 97, | |
| "text": "(Zweigenbaum et al., 2005)", | |
| "ref_id": "BIBREF14" | |
| } | |
| ], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "Dans le domaine de la radiologie o\u00f9 il peut \u00eatre int\u00e9ressant d'extraire des termes pertinents des comptes-rendus et les relier aux images (Napel et al., 2010) , les relations pertinentes entre les termes sont cruciales et les mod\u00e8les taxonomiques ne capturent pas ces informations aussi bien qu'un r\u00e9seau s\u00e9mantique, la taxonomie indiquant seulement la hi\u00e9rarchie entre les termes (relation is-a). Il peut \u00eatre int\u00e9ressant pour le m\u00e9decin de disposer \u00e9galement plus facilement de relations non hi\u00e9rarchiques. Par exemple, il est pertinent de donner pour une certaine maladie la liste des sympt\u00f4mes, des cibles potentielles, des localisations anatomiques et cela ind\u00e9pendamment de toute hi\u00e9rarchie. Ceci peut \u00eatre mod\u00e9lis\u00e9 de fa\u00e7on plus simple par un r\u00e9seau s\u00e9mantique. L'association entre un r\u00e9seau s\u00e9mantique g\u00e9n\u00e9ral et sp\u00e9cialis\u00e9 peut jouer un r\u00f4le important dans l'analyse des comptes rendus radiologiques. En effet, dans la section Indication du rapport de radiologie, le texte est souvent \u00e9crit avec des termes courants alors que la section r\u00e9sultats comporte des termes tr\u00e8s sp\u00e9cialis\u00e9s. Le but de la construction d'un tel r\u00e9seau est d'analyser les comptes rendus radiologiques dans leur totalit\u00e9 et d'en extraire les termes importants mais \u00e9galement les relations s\u00e9mantiques pertinentes. Cette extraction pourra servir \u00e0 annoter et indexer le texte et indirectement les images m\u00e9dicales afin de faciliter leur recherche et utilisation.", | |
| "cite_spans": [ | |
| { | |
| "start": 138, | |
| "end": 158, | |
| "text": "(Napel et al., 2010)", | |
| "ref_id": "BIBREF8" | |
| } | |
| ], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "La construction d'un r\u00e9seau lexico-s\u00e9mantique peut \u00eatre r\u00e9alis\u00e9e soit manuellement soit via une analyse de corpus. Par exemple, ConceptNet qui est une base de connaissance g\u00e9n\u00e9rale, est g\u00e9n\u00e9r\u00e9e automatiquement \u00e0 partir de 700 000 phrases du Open Mind Common Sense Project (Liu et Singh, 2004) . Mais les approches enti\u00e8rement automatis\u00e9es sont g\u00e9n\u00e9ralement limit\u00e9es \u00e0 la co-occurence des termes car l'extraction des relations s\u00e9mantiques pr\u00e9cises entre termes \u00e0 partir d'un texte reste difficile. Dans l'optique de la cr\u00e9ation d'un r\u00e9seau sp\u00e9cialis\u00e9, nous avons d\u00e9cid\u00e9 d'utiliser JeuxDeMots (JDM) (Lafourcade, 2007) comme base pour le r\u00e9seau de connaissance g\u00e9n\u00e9rale. Le r\u00e9seau JeuxDeMots est un r\u00e9seau lexical construit \u00e0 partir d'un ensemble de jeux en ligne. Pour la construction du r\u00e9seau sp\u00e9cialis\u00e9, nous avons utilis\u00e9 Diko un outil contributif propos\u00e9 par la plateforme JeuxDeMots. La n\u00e9cessit\u00e9 de ne pas d\u00e9pendre uniquement de jeux pour construire un r\u00e9seau lexical d\u00e9di\u00e9 \u00e0 la radiologie vient du fait qu'une partie non n\u00e9gligeable des types de relations de JDM soit sont difficiles \u00e0 saisir pour un joueur non expert, soit sont peu lexicalis\u00e9es. Diko utilise par ailleurs des m\u00e9canismes d'inf\u00e9rences (Zarrouk et al., 2013b) pour proposer automatiquement de nouvelles relations \u00e0 partir de celles qui existaient d\u00e9j\u00e0 dans le r\u00e9seau. Cette approche est strictement endog\u00e8ne et ne prend pas en compte des ressources externes. JDM se fonde sur la peuplonomie (crowdsourcing) pour \u00e9tablir les poids des relations entre les termes. Chaque occurrence de relation est pond\u00e9r\u00e9e indiquant la force d'association (elle repr\u00e9sente le nombre de joueurs qui ont pens\u00e9 pour une relation donn\u00e9e au m\u00eame terme, \u00e0 la m\u00eame position parmi la liste des mots qu'ils ont propos\u00e9s). Pour certains concepts ou termes, certaines id\u00e9es viendront spontan\u00e9ment \u00e0 l'esprit de beaucoup d'utilisateurs. La force d'association sera alors importante. Cette approche consistant \u00e0 attribuer des poids \u00e0 une relation est bien adapt\u00e9e pour les connaissances g\u00e9n\u00e9rales et l'association de termes. Notons qu'il n'y a pas syst\u00e9matiquement une corr\u00e9lation entre l'importance de la relation pour un domaine consid\u00e9r\u00e9 et sa force d'association. Pour rem\u00e9dier \u00e0 ce probl\u00e8me, nous introduisons des annotations entre certaines relations dans le r\u00e9seau lexico-s\u00e9mantique. Le but de ces annotations est de guider et d'am\u00e9liorer le processus d'inf\u00e9rence et d'analyse s\u00e9mantique.", | |
| "cite_spans": [ | |
| { | |
| "start": 272, | |
| "end": 292, | |
| "text": "(Liu et Singh, 2004)", | |
| "ref_id": "BIBREF5" | |
| }, | |
| { | |
| "start": 597, | |
| "end": 615, | |
| "text": "(Lafourcade, 2007)", | |
| "ref_id": "BIBREF4" | |
| }, | |
| { | |
| "start": 1208, | |
| "end": 1231, | |
| "text": "(Zarrouk et al., 2013b)", | |
| "ref_id": "BIBREF13" | |
| } | |
| ], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "Dans cet article, nous pr\u00e9sentons les principes de construction du r\u00e9seau lexical et nous l'illustrons gr\u00e2ce au projet Jeux-DeMots. Nous discutons aussi de la construction d'un r\u00e9seau sp\u00e9cialis\u00e9 en imagerie m\u00e9dicale ainsi qu'un m\u00e9canisme d'inf\u00e9rence \u00e0 savoir le sch\u00e9ma d\u00e9ductif. Ensuite nous d\u00e9taillons le principe des annotations des relations entre termes m\u00e9dicaux. Dans une derni\u00e8re partie nous d\u00e9crivons nos exp\u00e9riences et les premiers r\u00e9sultats obtenus. Nous concluons avec les perspectives et les pistes futures pour la recherche.", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Introduction", | |
| "sec_num": "1" | |
| }, | |
| { | |
| "text": "Un r\u00e9seau lexico-s\u00e9mantique est un graphe orient\u00e9, pond\u00e9r\u00e9, typ\u00e9 avec des sommets qui repr\u00e9sentent les concepts et des arcs les relations entre ces concepts. Il existe plusieurs m\u00e9thodes pour construire un r\u00e9seau lexical en tenant compte des facteurs principaux tels que la qualit\u00e9 des donn\u00e9es, le co\u00fbt et le temps de d\u00e9veloppement. Les approches contributives connaissent une forte popularit\u00e9 car elle se r\u00e9v\u00e8lent \u00e0 la fois peu co\u00fbteuses et efficaces en qualit\u00e9. L'int\u00e9r\u00eat port\u00e9 au GWAP (games with purpose ou human-based computation game) comme m\u00e9thode d'acquisition de ressources vari\u00e9es augmente r\u00e9guli\u00e8rement (Thaler et al., 2011) .", | |
| "cite_spans": [ | |
| { | |
| "start": 614, | |
| "end": 635, | |
| "text": "(Thaler et al., 2011)", | |
| "ref_id": "BIBREF10" | |
| } | |
| ], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "R\u00e9seaux lexicaux et inf\u00e9rences", | |
| "sec_num": "2" | |
| }, | |
| { | |
| "text": "Le r\u00e9seau JDM est un r\u00e9seau lexico-s\u00e9mantique construit \u00e0 partir d'un ensemble de jeux en ligne. 6 790 189 relations et 316 983 termes sont pr\u00e9sents dans la base. Pour le terme m\u00e9decine, il existe 10 112 relations dans le r\u00e9seau lexical. Environ 350 relations ont \u00e9t\u00e9 cr\u00e9\u00e9es pour le mot IRM (figure1). FIGURE 1 -Exemple de sous r\u00e9seau lexical d\u00e9di\u00e9 \u00e0 la radiologie/m\u00e9decine : une partie des relations qu'entretient le terme IRM.", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "R\u00e9seaux lexicaux et inf\u00e9rences", | |
| "sec_num": "2" | |
| }, | |
| { | |
| "text": "JeuxDeMots est un GWAP (Lafourcade, 2007) associant les joueurs par paires, et visant \u00e0 construire un grand r\u00e9seau lexico-s\u00e9mantique. Il y a plus de 50 types de relations et chaque occurence de relation est pond\u00e9r\u00e9e indiquant une force d'association. Au d\u00e9but d'une partie, une consigne concernant le type de la relation (id\u00e9e associ\u00e9, g\u00e9n\u00e9rique, caract\u00e9ristique, etc) ainsi qu'un terme cible issu du r\u00e9seau lexical (par exemple donner des id\u00e9es associ\u00e9es aux termes maladie) sont pr\u00e9sent\u00e9s au joueur. Ce dernier a un temps limit\u00e9 pour saisir des termes qui lui semblent correspondre \u00e0 la consigne. Par la suite, ce m\u00eame couple terme/consigne est propos\u00e9 \u00e0 d'autres joueurs. Les r\u00e9ponses communes par paires de joueurs sont ins\u00e9r\u00e9es dans le r\u00e9seau lexical ou le renforcent, c'est \u00e0 dire dans le cas o\u00f9 la relation entre deux termes existe d\u00e9j\u00e0, son poids est augment\u00e9 (force d'association). Le jeu est tr\u00e8s efficace pour les connaissances g\u00e9n\u00e9rales mais l'est un peu moins pour les connaissances sp\u00e9cialis\u00e9es. En effet, la majorit\u00e9 des joueurs n'ont pas de connaissance particuli\u00e8re dans le domaine de la radiologie. c'est pourquoi nous utilisons un autre outil fourni par JDM : Diko.", | |
| "cite_spans": [ | |
| { | |
| "start": 23, | |
| "end": 41, | |
| "text": "(Lafourcade, 2007)", | |
| "ref_id": "BIBREF4" | |
| } | |
| ], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Le mod\u00e8le JeuxDeMots", | |
| "sec_num": "2.1" | |
| }, | |
| { | |
| "text": "Diko est un outil en ligne sur le web permettant de visualiser les informations contenues dans le r\u00e9seau lexical JDM, mais \u00e9galement constitue un outil contributif et de v\u00e9rification. Dans le cadre de la construction d'un r\u00e9seau d\u00e9di\u00e9 \u00e0 un domaine sp\u00e9cifique, nous utilisons Diko comme un outil de d\u00e9veloppement d'une base de connaissance pour ce domaine. Le principe du processus de la contribution est qu'une proposition faite par un expert en radiologie sera soumise aux votes d'autres experts en imagerie m\u00e9dicale ou en m\u00e9decine pour un processus de validation/invalidation. Dans le champ de la m\u00e9decine, nous avons ajout\u00e9 certains types de relations comme par exemple : sympt\u00f4mes ou diagnostic. Il nous para\u00eet int\u00e9ressant dans une base de connaissances d\u00e9di\u00e9es \u00e0 la radiologie de pr\u00e9ciser pour une maladie donn\u00e9e ses sympt\u00f4mes (cliniques), la population cible ( cible), de m\u00eame que les moyens de diagnostic (diagnostic). Cela peut avoir un int\u00e9r\u00eat pour l'expansion de requ\u00eates dans l'analyse ou la recherche d'information (recherche d'image pour les patients pr\u00e9sentant les sympt\u00f4mes de telle ou telle maladie). La construction d'un r\u00e9seau sp\u00e9cialis\u00e9 dans le domaine de l'imagerie m\u00e9dicale a \u00e9t\u00e9 r\u00e9alis\u00e9e \u00e0 partir d'un corpus de 40 000 compte rendus radiologiques repr\u00e9sentant les diff\u00e9rentes modalit\u00e9s d'imagerie m\u00e9dicale (imagerie par r\u00e9sonance magn\u00e9tique, tomodensitom\u00e9trie \u00e0 rayon X, art\u00e9riographie, \u00e9chographie). La premi\u00e8re \u00e9tape a consist\u00e9 \u00e0 r\u00e9aliser un index invers\u00e9 de bigrame, trigrame \u00e0 partir du corpus. Dans un deuxi\u00e8me temps, l'expert a soumis aux autres sp\u00e9cialistes du domaine les termes qu'il a jug\u00e9s pertinents pour un processus de validation/invalidation. La majorit\u00e9 des concepts g\u00e9n\u00e9riques a pu \u00eatre rattach\u00e9s aux concepts radiologiques( la relation lieu, has part etc..). Ce travail contributif est n\u00e9cessaire pour construire une base de connaissance li\u00e9e \u00e0 la radiologie. FIGURE 2 -Capture \u00e9cran de la fen\u00eatre de Diko du terme cirrhose, par exemple, cause alcoolisme annot\u00e9e comme fr\u00e9quent.", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Diko : un outil contributif pour JDM", | |
| "sec_num": "2.2" | |
| }, | |
| { | |
| "text": "Dans le but d'am\u00e9liorer la pertinence des informations s\u00e9mantiques du r\u00e9seau, nous ajoutons des annotations \u00e0 certaines relations entre termes, en particulier pour ce qui nous concerne dans ce travail ceux li\u00e9s \u00e0 la m\u00e9decine. Par exemple, pour la relation suivante cirrhose (cause) alcoolisme nous ajoutons l'annotation fr\u00e9quent (figure 2). Nous donnons un autre exemple pour le terme scl\u00e9rose en plaques (figure 3). Dans la troisi\u00e8me partie, nous d\u00e9taillons le concept d'annotations de relations.", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Diko : un outil contributif pour JDM", | |
| "sec_num": "2.2" | |
| }, | |
| { | |
| "text": "Dans le but de formuler de nouvelles conclusions (c'est \u00e0 dire des relations entre les termes) \u00e0 partir de pr\u00e9misses (des relations pr\u00e9existantes), un moteur d'inf\u00e9rence a \u00e9t\u00e9 propos\u00e9 (Zarrouk et al., 2013b) . Le moteur d'inf\u00e9rence propose des relations, \u00e0 l'image d'un contributeur, qui vont \u00eatre vot\u00e9es par la suite par un autre contributeur et valid\u00e9es par un expert dans le domaine de l'imagerie m\u00e9dicale. Dans le cadre de ce travail nous d\u00e9crivons un seul type d'inf\u00e9rence : le sch\u00e9ma d\u00e9ductif. Le sch\u00e9ma d\u00e9ductif est bas\u00e9 sur la transitivit\u00e9 de la relation ontologique is-a (hyperonyme). Si un terme A est un type de B et B a une relation R avec le terme C, alors on peut proposer que A entretienne la m\u00eame relation avec C. Le moteur d'inf\u00e9rence est appliqu\u00e9 sur les termes ayant au minimum un hyperonyme. Si un terme T poss\u00e8de un ensemble d'hyperonymes pond\u00e9r\u00e9s, le moteur d'inf\u00e9rence d\u00e9duit un ensemble d'inf\u00e9rences. Ces hyperonymes vont \u00eatre class\u00e9s selon un ordre hi\u00e9rarchique. Le poids d'une inf\u00e9rence propos\u00e9e est la moyenne g\u00e9om\u00e9trique incr\u00e9mentale de chaque occurrence (c'est \u00e0 dire que la pr\u00e9sence d'un poids n\u00e9gatif suffit \u00e0 rendre la moyenne invalide). Le sch\u00e9ma pr\u00e9sent\u00e9 ci dessus est tr\u00e8s simple, en effet le terme B peut \u00eatre polys\u00e9mique, et l'inf\u00e9rence propos\u00e9e sera probablement fausse. Nous utilisons alors un blocage logique (figure 4). Ce m\u00e9canisme a \u00e9t\u00e9 d\u00e9crit dans un pr\u00e9c\u00e9dent travail (Zarrouk et al., 2013b) Dans le cas d'invalidation, un agent r\u00e9conciliateur est invoqu\u00e9 pour essayer d'\u00e9valuer pourquoi la relation a \u00e9t\u00e9 trouv\u00e9 fausse : erreur dans les pr\u00e9misses, polys\u00e9mie (l'inf\u00e9rence est faite en se basant sur un terme central polys\u00e9mique) ou une exception. Dans ce qui suit, c'est ce type d'inf\u00e9rence que nous allons consid\u00e9rer. N\u00e9anmoins, il existe deux autres types d'inf\u00e9rences : l'induction (du sp\u00e9cifique au g\u00e9n\u00e9ral) et l'abduction (imitation par des exemples similaires)... . ", | |
| "cite_spans": [ | |
| { | |
| "start": 184, | |
| "end": 207, | |
| "text": "(Zarrouk et al., 2013b)", | |
| "ref_id": "BIBREF13" | |
| }, | |
| { | |
| "start": 1413, | |
| "end": 1436, | |
| "text": "(Zarrouk et al., 2013b)", | |
| "ref_id": "BIBREF13" | |
| } | |
| ], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Diko : un outil contributif pour JDM", | |
| "sec_num": "2.2" | |
| }, | |
| { | |
| "text": "En g\u00e9n\u00e9ral, et surtout dans le domaine des connaissances sp\u00e9cialis\u00e9es, la corr\u00e9lation entre la force d'association de la relation et son importance conceptuelle n'est pas toujours assur\u00e9e. Par exemple, pour le terme carcinome h\u00e9patocellulaire, la relation caract\u00e9ristique avec wash-out est tr\u00e8s sp\u00e9cifique \u00e0 la radiologie, par cons\u00e9quence le poids de la relation sera faible dans le cadre g\u00e9n\u00e9ral de la m\u00e9decine mais pour le radiologue cette relation est particuli\u00e8rement importante. Un autre cas est la relation diagnostic entre la scl\u00e9rose en plaques et l'IRM. Nous avons affaire \u00e0 une relation, l\u00e0 encore, sp\u00e9cifique au domaine de l'imagerie m\u00e9dicale, qui sera pertinente pour le radiologue. C'est pourquoi, il est apparu int\u00e9ressant d'introduire des annotations pour certaines relations. Dans le r\u00e9seau lexical, une relation est repr\u00e9sent\u00e9e par un triplet : < noeud source , type de relation / annotation, noeud cible > Dans le champ de la radiologie, les relations les plus utiles pour le radiologue, qui ont \u00e9t\u00e9 \u00e9tablies par des radiologues suivant leur pratique quotidienne, sont indiqu\u00e9es dans le tableau 1. Pour choisir la bonne annotation de la nouvelle relation inf\u00e9r\u00e9e, la hi\u00e9rarchie ontologique joue un r\u00f4le important. L'annotation du terme le plus sp\u00e9cifique doit avoir plus d'influence que le moins sp\u00e9cifique. Nous prenons en compte ce fait pour les m\u00e9canismes d'inf\u00e9rences avec annotations.", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Annotation de relations", | |
| "sec_num": "3" | |
| }, | |
| { | |
| "text": "Dans le m\u00e9canisme d'inf\u00e9rence, le terme B (le terme central) joue un r\u00f4le primordial. Nous inspectons la hi\u00e9rarchie des termes B selon laquelle une relation sp\u00e9cifique a \u00e9t\u00e9 inf\u00e9r\u00e9e plusieurs fois et nous gardons la plus sp\u00e9cifique. Si nous obtenons deux termes ou plus ayant le m\u00eame niveau s\u00e9mantique, nous appliquons la r\u00e8gle du maximum aux valeurs correspondant \u00e0 chaque annotation (toujours vrai : 5, fr\u00e9quent : 4, possible : 3,rare : 2, tr\u00e8s rare :1 ...) (figure 6).", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Annotation de relations", | |
| "sec_num": "3" | |
| }, | |
| { | |
| "text": "FIGURE 6 -Approche bas\u00e9e sur la hi\u00e9rarchie utilis\u00e9e pour choisir l'annotation la plus pr\u00e9cise avec plusieurs termes centraux.", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Annotation de relations", | |
| "sec_num": "3" | |
| }, | |
| { | |
| "text": "Dans une pr\u00e9c\u00e9dente exp\u00e9rience men\u00e9e par (Zarrouk et al., 2013a) , le moteur d'inf\u00e9rence d\u00e9ductive a \u00e9t\u00e9 appliqu\u00e9 \u00e0 l'ensemble du r\u00e9seau lexical. Dans notre approche, nous avons lanc\u00e9 l'exp\u00e9rience sur une partie du r\u00e9seau lexical JDM qui contient toutes les relations is-a (sur laquelle est fond\u00e9 le sch\u00e9ma d\u00e9ductif) et toutes les relations annot\u00e9es manuellement et ce dans le but de r\u00e9duire l'espace de recherche.", | |
| "cite_spans": [ | |
| { | |
| "start": 41, | |
| "end": 64, | |
| "text": "(Zarrouk et al., 2013a)", | |
| "ref_id": "BIBREF12" | |
| } | |
| ], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Exp\u00e9rimentation", | |
| "sec_num": "4" | |
| }, | |
| { | |
| "text": "Pour augmenter la pr\u00e9cision des r\u00e9sultats et pour \u00e9viter d'inf\u00e9rer certaines relations peu pertinentes mais vraies (homme a pour partie protons), nous avons bloqu\u00e9 les inf\u00e9rences sur les relations qui avaient \u00e9t\u00e9 annot\u00e9es comme non pertinent ou exceptionnel. Le moteur d'inf\u00e9rence d\u00e9ductive a \u00e9t\u00e9 appliqu\u00e9 sur 146 934 relations produisant un total de 1 825 933 relations avec 573 613 distinctes ce qui fait une moyenne de 3 occurrences par relation (table 2) Le syst\u00e8me d'annotations produit deux occurrences (1) et (2) de la m\u00eame relation accident vasculaire c\u00e9r\u00e9bral (diagnostic) IRM, avec deux annotations diff\u00e9rentes (possible, fr\u00e9quent), nous d\u00e9cidons de garder celui avec la plus forte valeur (fr\u00e9quent). Le syst\u00e8me d'inf\u00e9rence des annotations appliqu\u00e9 sur la base de relations provenant des r\u00e9sultats du moteur d'inf\u00e9rence d\u00e9ductive, a annot\u00e9 10 085 relations \u00e0 partir d'une amorce de seulement 72 relations annot\u00e9es (table 3) ", | |
| "cite_spans": [], | |
| "ref_spans": [ | |
| { | |
| "start": 449, | |
| "end": 458, | |
| "text": "(table 2)", | |
| "ref_id": "TABREF1" | |
| }, | |
| { | |
| "start": 924, | |
| "end": 933, | |
| "text": "(table 3)", | |
| "ref_id": "TABREF3" | |
| } | |
| ], | |
| "eq_spans": [], | |
| "section": "Inf\u00e9rence des relations", | |
| "sec_num": "4.1" | |
| } | |
| ], | |
| "back_matter": [ | |
| { | |
| "text": "A(is-a)B et B(R/annot)C\u2192A(R/annot)C Par exemple : cancer du poumon non \u00e0 petites cellules carcinome h\u00e9patocellulaire glioblastome(1) (is-a) tumeur maligne & tumeur maligne (carac/frequent) mauvais pronostic Plus le nombre de relations d'hyperonymie vers le terme B (tumeur maligne) qui a une relation annot\u00e9e (tumeur maligne(carac/fr\u00e9quent)) est important, plus le nombre de relations annot\u00e9es est \u00e9lev\u00e9. Supposons que le terme carcinome h\u00e9patocellulaire n'ai pas de relation d'hyperonymie, donc dans ce cas l'annotation fr\u00e9quent ne g\u00e9n\u00e9rera pas d'autre annotation. Ceci peut expliquer la raison pour laquelle il y a peu d'annotations inf\u00e9r\u00e9es pour le type d'annotation fr\u00e9quentiel fr\u00e9quent. Notons que l'absence de certaines relations ou certains termes est due \u00e0 l'aspect de progression continue du r\u00e9seau qui fait qu'il est possible qu'\u00e0 un instant pr\u00e9cis un terme ou une relation manquent.Nous avons \u00e9valu\u00e9 le nombre d'annotations inf\u00e9r\u00e9es, et il appara\u00eet que 87% d'entre elles ont \u00e9t\u00e9 \u00e9valu\u00e9es \"correctes\", 5% comme \"incorrectes\" et le reste (8%) comme \"discutable\" (les experts discuteront non pas leur validit\u00e9 mais plut\u00f4t leur valeurs fr\u00e9quentielles pour savoir si elles doivent \u00eatre modifi\u00e9es). Dans cette exp\u00e9rience, nous avons appliqu\u00e9 le syst\u00e8me relation/annotation une seule fois sur l'ensemble du r\u00e9seau lexical. \u00c9videmment, comme le r\u00e9seau est en construction permanente, et que le partie consacr\u00e9e \u00e0 la radiologie n'en est qu'\u00e0 ses d\u00e9buts, de nouveaux termes ainsi que de nouvelles annotations seront rajout\u00e9es. Le syst\u00e8me d'inf\u00e9rences et d'annotations tournent \u00e0 pr\u00e9sent en continu dans le but de consolider notre r\u00e9seau lexico-s\u00e9mantique.", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "annex", | |
| "sec_num": null | |
| }, | |
| { | |
| "text": "Dans cet article, nous avons pr\u00e9sent\u00e9 quelques \u00e9l\u00e9ments pour la construction d'une base de connaissance sp\u00e9cialis\u00e9e (en radiologie) dans un r\u00e9seau lexical g\u00e9n\u00e9ral et en particulier un mod\u00e8le d'inf\u00e9rence et d'annotation de relations. Pour am\u00e9liorer la qualit\u00e9 du r\u00e9seau et sa couverture, nous avons propos\u00e9 une approche de consolidation bas\u00e9e sur un moteur d'inf\u00e9rence r\u00e9alis\u00e9 sur des relations annot\u00e9es. Le syst\u00e8me d'annotation d\u00e9crit dans cet article peut \u00eatre vu comme un compl\u00e9ment du syst\u00e8me de consolidation de r\u00e9seau lexico-s\u00e9mantique. Ce syst\u00e8me propage, gr\u00e2ce \u00e0 la proc\u00e9dure d'annotation, des informations s\u00e9mantiques ou d'usages importants qui peuvent \u00eatre utilis\u00e9es non seulement dans le domaine de la radiologie comme illustr\u00e9 dans cet article mais aussi dans d'autres domaines de sp\u00e9cialit\u00e9s. Il nous semble int\u00e9ressant de d\u00e9velopper des bases de connaissances dans des domaines sp\u00e9cialis\u00e9s plong\u00e9e dans un r\u00e9seau lexical de sens commun. De futures recherches doivent \u00e9galement viser \u00e0 am\u00e9liorer la diffusion des annotations de relations \u00e0 travers le r\u00e9seau mais aussi am\u00e9liorer le lexique sp\u00e9cialis\u00e9 en radiologie \u00e0 l'aide non pas seulement des experts mais aussi de non experts. Ce r\u00e9seau lexico-s\u00e9mantique nous sert pour les analyses s\u00e9mantiques et d'indexation de comptes-rendus radiologiques. Cette analyse s\u00e9mantique nous permet d'extraire des relations entre des concepts et des termes m\u00e9dicaux. Elle pourra \u00eatre combin\u00e9e avec la recherche d'image par le contenu (Content Based Image Retrieval ou CBIR) qui constitue une piste de recherche pour nos prochain travaux. En effet cette derni\u00e8re technique pourra \u00eatre combin\u00e9e avec une recherche s\u00e9mantique dans le but d'am\u00e9liorer la recherche d'information dans le domaine de l'imagerie m\u00e9dicale.", | |
| "cite_spans": [], | |
| "ref_spans": [], | |
| "eq_spans": [], | |
| "section": "Conclusion", | |
| "sec_num": "5" | |
| } | |
| ], | |
| "bib_entries": { | |
| "BIBREF0": { | |
| "ref_id": "b0", | |
| "title": "A hybrid approach for the extraction of semantic relations from medline abstracts", | |
| "authors": [ | |
| { | |
| "first": "A", | |
| "middle": [ | |
| "B" | |
| ], | |
| "last": "Abacha", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "P", | |
| "middle": [], | |
| "last": "Zweigenbaum", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2011, | |
| "venue": "Computational Linguistics and Intelligent Text Processing", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "139--150", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "ABACHA, A. B. et ZWEIGENBAUM, P. (2011). A hybrid approach for the extraction of semantic relations from medline abstracts. Computational Linguistics and Intelligent Text Processing, pages 139-150.", | |
| "links": null | |
| }, | |
| "BIBREF1": { | |
| "ref_id": "b1", | |
| "title": "Biomedical ontologies in action : role in knowledge management, data integration and decision support", | |
| "authors": [ | |
| { | |
| "first": "O", | |
| "middle": [], | |
| "last": "Bodenreider", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2008, | |
| "venue": "Yearb Med Inform", | |
| "volume": "47", | |
| "issue": "", | |
| "pages": "67--79", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "BODENREIDER, O. et al. (2008). Biomedical ontologies in action : role in knowledge management, data integration and decision support. Yearb Med Inform, 47:67-79.", | |
| "links": null | |
| }, | |
| "BIBREF2": { | |
| "ref_id": "b2", | |
| "title": "Intelligent image retrieval based on radiology reports", | |
| "authors": [ | |
| { | |
| "first": "A", | |
| "middle": [], | |
| "last": "Gerstmair", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "P", | |
| "middle": [], | |
| "last": "Daumke", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "K", | |
| "middle": [], | |
| "last": "Simon", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "M", | |
| "middle": [], | |
| "last": "Langer", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "E", | |
| "middle": [], | |
| "last": "Kotter", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2012, | |
| "venue": "European radiology", | |
| "volume": "22", | |
| "issue": "12", | |
| "pages": "2750--2758", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "GERSTMAIR, A., DAUMKE, P., SIMON, K., LANGER, M. et KOTTER, E. (2012). Intelligent image retrieval based on radiology reports. European radiology, 22(12):2750-2758.", | |
| "links": null | |
| }, | |
| "BIBREF3": { | |
| "ref_id": "b3", | |
| "title": "Analysis of radlex coverage and term co-occurrence in radiology reporting templates", | |
| "authors": [ | |
| { | |
| "first": "Y", | |
| "middle": [], | |
| "last": "Hong", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "J", | |
| "middle": [], | |
| "last": "Zhang", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "M", | |
| "middle": [ | |
| "E" | |
| ], | |
| "last": "Heilbrun", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "C", | |
| "middle": [ | |
| "E" | |
| ], | |
| "last": "Kahn Jr", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2012, | |
| "venue": "Journal of Digital Imaging", | |
| "volume": "25", | |
| "issue": "1", | |
| "pages": "56--62", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "HONG, Y., ZHANG, J., HEILBRUN, M. E. et KAHN JR, C. E. (2012). Analysis of radlex coverage and term co-occurrence in radiology reporting templates. Journal of Digital Imaging, 25(1):56-62.", | |
| "links": null | |
| }, | |
| "BIBREF4": { | |
| "ref_id": "b4", | |
| "title": "Making people play for lexical acquisition with the jeuxdemots prototype", | |
| "authors": [ | |
| { | |
| "first": "M", | |
| "middle": [], | |
| "last": "Lafourcade", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2007, | |
| "venue": "SNLP'07 : 7th International Symposium on Natural Language Processing", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "LAFOURCADE, M. (2007). Making people play for lexical acquisition with the jeuxdemots prototype. SNLP'07 : 7th International Symposium on Natural Language Processing. Pattaya, Thailande, page 8p.", | |
| "links": null | |
| }, | |
| "BIBREF5": { | |
| "ref_id": "b5", | |
| "title": "Conceptnet -a practical commonsense reasoning tool-kit", | |
| "authors": [ | |
| { | |
| "first": "H", | |
| "middle": [], | |
| "last": "Liu", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "P", | |
| "middle": [], | |
| "last": "Singh", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2004, | |
| "venue": "BT technology journal", | |
| "volume": "22", | |
| "issue": "4", | |
| "pages": "211--226", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "LIU, H. et SINGH, P. (2004). Conceptnet -a practical commonsense reasoning tool-kit. BT technology journal, 22(4): 211-226.", | |
| "links": null | |
| }, | |
| "BIBREF6": { | |
| "ref_id": "b6", | |
| "title": "Mapping the gene ontology into the unified medical language system", | |
| "authors": [ | |
| { | |
| "first": "J", | |
| "middle": [], | |
| "last": "Lomax", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "A", | |
| "middle": [ | |
| "T" | |
| ], | |
| "last": "Mccray", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2004, | |
| "venue": "Comparative and functional genomics", | |
| "volume": "5", | |
| "issue": "", | |
| "pages": "354--361", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "LOMAX, J. et MCCRAY, A. T. (2004). Mapping the gene ontology into the unified medical language system. Compara- tive and functional genomics, 5(4):354-361.", | |
| "links": null | |
| }, | |
| "BIBREF7": { | |
| "ref_id": "b7", | |
| "title": "Fma-radlex : An application ontology of radiological anatomy derived from the foundational model of anatomy reference ontology", | |
| "authors": [ | |
| { | |
| "first": "J", | |
| "middle": [ | |
| "L" | |
| ], | |
| "last": "Mejino Jr", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "D", | |
| "middle": [ | |
| "L" | |
| ], | |
| "last": "Rubin", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "J", | |
| "middle": [ | |
| "F" | |
| ], | |
| "last": "Brinkley", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2008, | |
| "venue": "AMIA Annual Symposium Proceedings", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "MEJINO JR, J. L., RUBIN, D. L. et BRINKLEY, J. F. (2008). Fma-radlex : An application ontology of radiological anatomy derived from the foundational model of anatomy reference ontology. AMIA Annual Symposium Proceedings, 2008:465.", | |
| "links": null | |
| }, | |
| "BIBREF8": { | |
| "ref_id": "b8", | |
| "title": "Automated retrieval of ct images of liver lesions on the basis of image similarity : method and preliminary results", | |
| "authors": [ | |
| { | |
| "first": "S", | |
| "middle": [ | |
| "A" | |
| ], | |
| "last": "Napel", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "C", | |
| "middle": [ | |
| "F" | |
| ], | |
| "last": "Beaulieu", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "C", | |
| "middle": [], | |
| "last": "Rodriguez", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "J", | |
| "middle": [], | |
| "last": "Cui", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "J", | |
| "middle": [], | |
| "last": "Xu", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "A", | |
| "middle": [], | |
| "last": "Gupta", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "D", | |
| "middle": [], | |
| "last": "Korenblum", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "H", | |
| "middle": [], | |
| "last": "Greenspan", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "Y", | |
| "middle": [], | |
| "last": "Ma", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "D", | |
| "middle": [ | |
| "L" | |
| ], | |
| "last": "Rubin", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2010, | |
| "venue": "Radiology", | |
| "volume": "256", | |
| "issue": "1", | |
| "pages": "", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "NAPEL, S. A., BEAULIEU, C. F., RODRIGUEZ, C., CUI, J., XU, J., GUPTA, A., KORENBLUM, D., GREENSPAN, H., MA, Y. et RUBIN, D. L. (2010). Automated retrieval of ct images of liver lesions on the basis of image similarity : method and preliminary results. Radiology, 256(1):243.", | |
| "links": null | |
| }, | |
| "BIBREF9": { | |
| "ref_id": "b9", | |
| "title": "Creating and curating a terminology for radiology : ontology modeling and analysis", | |
| "authors": [ | |
| { | |
| "first": "D", | |
| "middle": [ | |
| "L" | |
| ], | |
| "last": "Rubin", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2008, | |
| "venue": "Journal of digital imaging", | |
| "volume": "21", | |
| "issue": "4", | |
| "pages": "355--362", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "RUBIN, D. L. (2008). Creating and curating a terminology for radiology : ontology modeling and analysis. Journal of digital imaging, 21(4):355-362.", | |
| "links": null | |
| }, | |
| "BIBREF10": { | |
| "ref_id": "b10", | |
| "title": "A survey on games for knowledge acquisition", | |
| "authors": [ | |
| { | |
| "first": "S", | |
| "middle": [], | |
| "last": "Thaler", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "K", | |
| "middle": [], | |
| "last": "Siorpaes", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "E", | |
| "middle": [], | |
| "last": "Simperl", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "C", | |
| "middle": [], | |
| "last": "Hofer", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2011, | |
| "venue": "", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "THALER, S., SIORPAES, K., SIMPERL, E. et HOFER, C. (2011). A survey on games for knowledge acquisition. Rapport technique, STI, page 26.", | |
| "links": null | |
| }, | |
| "BIBREF11": { | |
| "ref_id": "b11", | |
| "title": "A text processing pipeline to extract recommendations from radiology reports", | |
| "authors": [ | |
| { | |
| "first": "M", | |
| "middle": [], | |
| "last": "Yetisgen-Yildiz", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "M", | |
| "middle": [ | |
| "L" | |
| ], | |
| "last": "Gunn", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "F", | |
| "middle": [], | |
| "last": "Xia", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "T", | |
| "middle": [ | |
| "H" | |
| ], | |
| "last": "Payne", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2013, | |
| "venue": "Journal of biomedical informatics", | |
| "volume": "46", | |
| "issue": "2", | |
| "pages": "354--362", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "YETISGEN-YILDIZ, M., GUNN, M. L., XIA, F. et PAYNE, T. H. (2013). A text processing pipeline to extract recommen- dations from radiology reports. Journal of biomedical informatics, 46(2):354-362.", | |
| "links": null | |
| }, | |
| "BIBREF12": { | |
| "ref_id": "b12", | |
| "title": "Inductive and deductive inferences in a crowdsourced lexical-semantic network", | |
| "authors": [ | |
| { | |
| "first": "M", | |
| "middle": [], | |
| "last": "Zarrouk", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "M", | |
| "middle": [], | |
| "last": "Lafourcade", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "A", | |
| "middle": [], | |
| "last": "Joubert", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2013, | |
| "venue": "9th International Conference on Recent Advances in Natural Language Processing", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "ZARROUK, M., LAFOURCADE, M. et JOUBERT, A. (2013a). Inductive and deductive inferences in a crowdsourced lexical-semantic network. 9th International Conference on Recent Advances in Natural Language Processing (RANLP 2013), page 6p.", | |
| "links": null | |
| }, | |
| "BIBREF13": { | |
| "ref_id": "b13", | |
| "title": "Inference and reconciliation in a lexical-semantic network", | |
| "authors": [ | |
| { | |
| "first": "M", | |
| "middle": [], | |
| "last": "Zarrouk", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "M", | |
| "middle": [], | |
| "last": "Lafourcade", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "A", | |
| "middle": [], | |
| "last": "Joubert", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2013, | |
| "venue": "14th International Conference on Intelligent Text Processing and Computational Linguistic (CICLING-2013)", | |
| "volume": "", | |
| "issue": "", | |
| "pages": "", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "ZARROUK, M., LAFOURCADE, M. et JOUBERT, A. (2013b). Inference and reconciliation in a lexical-semantic network. 14th International Conference on Intelligent Text Processing and Computational Linguistic (CICLING-2013), page 13p.", | |
| "links": null | |
| }, | |
| "BIBREF14": { | |
| "ref_id": "b14", | |
| "title": "Umlf : a unified medical lexicon for french", | |
| "authors": [ | |
| { | |
| "first": "P", | |
| "middle": [], | |
| "last": "Zweigenbaum", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "R", | |
| "middle": [], | |
| "last": "Baud", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "A", | |
| "middle": [], | |
| "last": "Burgun", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "F", | |
| "middle": [], | |
| "last": "Namer", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "\u00c9", | |
| "middle": [], | |
| "last": "Jarrousse", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "N", | |
| "middle": [], | |
| "last": "Grabar", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "P", | |
| "middle": [], | |
| "last": "Ruch", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "F", | |
| "middle": [], | |
| "last": "Le Duff", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "J.-F", | |
| "middle": [], | |
| "last": "Forget", | |
| "suffix": "" | |
| }, | |
| { | |
| "first": "M", | |
| "middle": [], | |
| "last": "Douyere", | |
| "suffix": "" | |
| } | |
| ], | |
| "year": 2005, | |
| "venue": "International Journal of Medical Informatics", | |
| "volume": "74", | |
| "issue": "2", | |
| "pages": "119--124", | |
| "other_ids": {}, | |
| "num": null, | |
| "urls": [], | |
| "raw_text": "ZWEIGENBAUM, P., BAUD, R., BURGUN, A., NAMER, F., JARROUSSE, \u00c9., GRABAR, N., RUCH, P., LE DUFF, F., FORGET, J.-F., DOUYERE, M. et al. (2005). Umlf : a unified medical lexicon for french. International Journal of Medical Informatics, 74(2):119-124.", | |
| "links": null | |
| } | |
| }, | |
| "ref_entries": { | |
| "FIGREF0": { | |
| "uris": null, | |
| "num": null, | |
| "type_str": "figure", | |
| "text": "Fen\u00eatre de Diko du terme accident vasculaire c\u00e9r\u00e9bral dont la caract\u00e9ristique isch\u00e9mique est fr\u00e9quente." | |
| }, | |
| "FIGREF1": { | |
| "uris": null, | |
| "num": null, | |
| "type_str": "figure", | |
| "text": "Sch\u00e9ma d'inf\u00e9rence d\u00e9ductive triangulaire avec un blocage logique se basant sur la polys\u00e9mie du terme B du milieu. Les termes B' et B\" sont des raffinements/usages de B.." | |
| }, | |
| "FIGREF2": { | |
| "uris": null, | |
| "num": null, | |
| "type_str": "figure", | |
| "text": "Le moteur d'inf\u00e9rence d'annotations est appliqu\u00e9 dans la seconde partie de notre syst\u00e8me. Il permet d'ajouter des annotations aux relations de fa\u00e7on automatique \u00e0 partir d'annotations de relations d\u00e9j\u00e0 existantes. Il est lanc\u00e9 sur la base des relations d\u00e9j\u00e0 enrichies avec le m\u00e9canisme d'inf\u00e9rence d\u00e9ductive. Contrairement au moteur d'inf\u00e9rence, nous autorisons la redondance en vue d'am\u00e9liorer la pr\u00e9cision des r\u00e9sultats du syst\u00e8me de propagation d'annotation de relations. Prenons un exemple : Pr\u00e9misses : accident vasculaire c\u00e9r\u00e9bral(is-a)infarctus c\u00e9r\u00e9bral & infarctus c\u00e9r\u00e9bral(diagnostic/fr\u00e9quent) IRM \u2192 relation inf\u00e9r\u00e9e : accident vasculaire c\u00e9r\u00e9bral (diagnostic/possible) IRM (1) Pr\u00e9misses : accident vasculaire c\u00e9r\u00e9bral(is-a) maladie c\u00e9r\u00e9brovasculaire & maladie c\u00e9r\u00e9brovasculaire(diagnostic/possible) IRM \u2192 relation inf\u00e9r\u00e9e : accident vasculaire c\u00e9r\u00e9bral(diagnostic/possible) IRM (2)" | |
| }, | |
| "TABREF0": { | |
| "html": null, | |
| "content": "<table><tr><td>la hi\u00e9rarchie sera :</td><td>(fr\u00e9quent)</td></tr><tr><td/><td>diagnostic sympt\u00f4me < tumeur maligne du foie < tumeur du foie < pathologie h\u00e9patique < pathologie Examen. Exemple : scl\u00e9rose en plaque diag IRM (fr\u00e9quent, cru-carcinome h\u00e9patocellulaire cial) Sympt\u00f4mes d'une maladie, rougeole sympt\u00f4me fi\u00e8vre (fr\u00e9quent)</td></tr><tr><td colspan=\"2\">cause cons\u00e9quence < maladie du syst\u00e8me nerveux central < neuropathie < maladie d\u00e9g\u00e9n\u00e9rative < maladie B est une cause de A. Exemple : cirrhose cause alcoolisme scl\u00e9rose en plaques B est une cons\u00e9quence possible de A. Exemple : accident vascu-laire c\u00e9r\u00e9bral peut avoir comme cons\u00e9quence une h\u00e9mipl\u00e9gie</td></tr><tr><td/><td>TABLE 1 -Relations pertinentes en radiologie pour l'analyse de compte-rendu</td></tr><tr><td colspan=\"2\">sera directement disponible dans le r\u00e9seau (figure 5). Ces annotations ont par ailleurs, une fonction de filtre dans le sch\u00e9ma</td></tr><tr><td>d'inf\u00e9rence.</td><td/></tr><tr><td colspan=\"2\">FIGURE 5 -Exemple d'impl\u00e9mentation d'annotation. L'impl\u00e9mentation d'une annotation se fait par r\u00e9ification de la</td></tr><tr><td colspan=\"2\">relation \u00e0 annoter dans le r\u00e9seau lexical. Le noeud relation ainsi cr\u00e9\u00e9 peut \u00eatre associ\u00e9 \u00e0 d'autres termes. La relation</td></tr><tr><td colspan=\"2\">annotation n'est qu'un type de relation parmi d'autres. Les valeurs d'annotation sont des termes standard.</td></tr><tr><td/><td>.</td></tr><tr><td colspan=\"2\">Les types d'annotations peuvent \u00eatre de nature diff\u00e9rente (information fr\u00e9quentielle d'usage ou de pertinence). Ci-dessous,</td></tr><tr><td colspan=\"2\">nous pr\u00e9sentons les principaux types d'annotation :</td></tr><tr><td colspan=\"2\">\u2022 annotations fr\u00e9quentielles : tr\u00e8s rare, rare, possible, fr\u00e9quent, toujours vrai ;</td></tr><tr><td colspan=\"2\">\u2022 annotations d'usage : souvent cr\u00fb vrai, abus de langage ;</td></tr><tr><td colspan=\"2\">\u2022 annotations quantitatives : un nombre (1, 2, 4, ...), beaucoup, peu, etc ;</td></tr><tr><td colspan=\"2\">\u2022 annotations d'exception : exception ;</td></tr><tr><td colspan=\"2\">\u2022 annotations qualitatives : pertinent, non pertinent, inf\u00e9rable.</td></tr></table>", | |
| "num": null, | |
| "type_str": "table", | |
| "text": "Parmi les relations pertinentes, seules trois ont \u00e9t\u00e9 rajout\u00e9es( sympt\u00f4mes, diagnostique et cibles), toutes les autres proviennent du domaine g\u00e9n\u00e9ral. Dans les ontologies existantes d\u00e9di\u00e9es \u00e0 la radiologie comme RadLex, il n'existe pas autant de type de relations potentiellement utiles pour l'analyse des comptes rendus. Dans la recherche d'informations radiologiques (comptes-rendus et images), ces annotations peuvent apporter un compl\u00e9ment d'information et permettre de classer les r\u00e9ponses par ordre de pertinence. Par exemple cela peut aider les radiologues devant une image anormale pour savoir si une caract\u00e9ristique est rare ou fr\u00e9quente et ainsi leur apporter une aide au diagnostic.Hyperonymes du terme. Exemple : IRM est une modalit\u00e9 d'imagerie (possible) partie-de Parties, constituants, \u00e9l\u00e9ments du mot cible. Exemple : foie a comme partie segment I (toujours vrai) caract\u00e9ristique Caract\u00e9ristiques (adjectifs) possibles,typiques. Exemple : carcinome h\u00e9patocellulaire carac hypervasculaire (fr\u00e9quent) localisation Lieux typiques o\u00f9 peut se trouver le terme/objet en question. Exemple : scl\u00e9rose en plaque loc syst\u00e8me nerveux central cible Population affect\u00e9 par le terme. Exemple : rougeole cible enfant Un m\u00e9decin peut utiliser le terme grippe au lieu de virus de la grippe : c'est un abus de langage, le praticien fait simplement un raccourci de langage sans pour autant faire de confusion dans son esprit. Il semble \u00e9vident pour lui que ces deux expressions sont diff\u00e9rentes. L'annotation souvent cr\u00fb vrai s'applique pour une fausse relation (avec un poids n\u00e9gatif) qui est souvent consid\u00e9r\u00e9e comme vrai, par exemple araign\u00e9e (is-a/souvent cr\u00fb vrai) insecte. Les exceptions sont \u00e9galement renseign\u00e9es et prennent la forme d'une relation ayant un poid n\u00e9gatif. Ce type d'annotation est utilis\u00e9 pour bloquer le sch\u00e9ma d'inf\u00e9rence.L'annotation de nature qualitative est li\u00e9e au statut inf\u00e9rable de la relation, particuli\u00e8rement concernant l'inf\u00e9rence. L'annotation pertinente se rapporte \u00e0 un niveau ontologique ad\u00e9quat pour une relation donn\u00e9e. Par exemple, \u00eatre vivant (carac/pertinent) vivant ou \u00eatre vivant (carac/pertinent) mort. L'annotation inf\u00e9rable est suppos\u00e9e \u00eatre ajout\u00e9e quand une relation est inf\u00e9rable (ou a \u00e9t\u00e9 inf\u00e9r\u00e9e) \u00e0 partir d'une relation existante, par exemple : chien (carac/inf\u00e9rable) vivant car chien (is-a) \u00eatre vivant. L'annotation non pertinent est ajout\u00e9e aux relations vraies mais qui sont tr\u00e8s \u00e9loign\u00e9es du niveau pertinent, par exemple animal (poss\u00e8de/non pertinent) atomes. Pour avoir l'annotation la plus pr\u00e9cise, nous avons besoin d'ordonner les termes centraux du plus sp\u00e9cifique au moins sp\u00e9cifique. Pour le terme carcinome h\u00e9patocellulaire," | |
| }, | |
| "TABREF1": { | |
| "html": null, | |
| "content": "<table><tr><td>relations existantes</td><td>146934</td></tr><tr><td>relations inf\u00e9r\u00e9es</td><td>1825933</td></tr><tr><td colspan=\"2\">relations inf\u00e9r\u00e9es distinctes 573613</td></tr></table>", | |
| "num": null, | |
| "type_str": "table", | |
| "text": ". Il est int\u00e9ressant de constater que l'inf\u00e9rence renforce le niveau de confiance d'une relation d\u00e9j\u00e0 existante. Nombre de relations inf\u00e9r\u00e9es \u00e0 partir de celles d\u00e9j\u00e0 existantes." | |
| }, | |
| "TABREF2": { | |
| "html": null, | |
| "content": "<table><tr><td>Type d'annotation</td><td colspan=\"2\">annotation existante annotation inf\u00e9r\u00e9e</td></tr><tr><td>Fr\u00e9quentiel : toujours vrai</td><td>20</td><td>8092</td></tr><tr><td>Fr\u00e9quentiel : fr\u00e9quent</td><td>18</td><td>1</td></tr><tr><td>Fr\u00e9quentiel : possible</td><td>16</td><td>150</td></tr><tr><td>Fr\u00e9quentiel : rare et tr\u00e8s rare</td><td>7</td><td>35</td></tr><tr><td>Qualitatif : souvent cr\u00fb vrai</td><td>1</td><td>7</td></tr><tr><td>Qualitatif : non pertinent</td><td>5</td><td>1604</td></tr><tr><td>Quantificateur :</td><td>5</td><td>178</td></tr><tr><td>Total</td><td>72</td><td>10085</td></tr></table>", | |
| "num": null, | |
| "type_str": "table", | |
| "text": "." | |
| }, | |
| "TABREF3": { | |
| "html": null, | |
| "content": "<table/>", | |
| "num": null, | |
| "type_str": "table", | |
| "text": "Nombre d'annotations inf\u00e9r\u00e9es apr\u00e8s application du syst\u00e8me d'annotation des relations sur celles existantes.Nous nous concentrons essentiellement sur les annotations concernant la fr\u00e9quence car ces derni\u00e8res comportent des informations importantes dans le domaine de la radiologie. Le nombre de relations annot\u00e9es par type d'annotation ne d\u00e9pend pas du nombre de relations existantes au d\u00e9part mais simplement du nombre de relations d'hyperonymie existantes pour le terme central. Le sch\u00e9ma d'inf\u00e9rence est le suivant :" | |
| } | |
| } | |
| } | |
| } |