Few-shot learning for medical text: A review of advances, trends, and opportunities

https://www.sciencedirect.com/science/article/pii/S153204642300179X

1. 本研究の学術的背景、研究課題の核心をなす学術的「問い」は何ですか？

• 答え：医療テキストの不足するアノテーションテキストに対応するためのFew-Shot Learning（FSL、教師データが少ない状況で学習する機械学習の手法）を使用した自然言語処理（NLP）における現在の状況を把握するための学術的問題を探究することである。

1. 本研究の目的及び学術的独自性と創造性は何ですか？

• 答え：本研究は、少ない教師データで高い精度を出すFSLを医療NLPに適用する手法を総合レビューし、同分野の現状や課題を明らかにすることである。また、公開されたデータセットを用いて、様々な評価基準においての最適な方法を探究することも目的である。本研究は、医療NLPにおいて少ない教師データから高い性能を発揮するFSL方法の開発を促進することに貢献する。

1. 本研究の着想に至った経緯や、関連する国内外の研究動向と本研究の位置づけは？

• 答え：近年、NLPの分野でFSLの研究が盛んであったが、医療分野におけるFSLを利用した医療テキストの分類に関する研究はさほど進んでいなかった。本研究はこの問題に取り組むとともに、FSLによる改善の可能性を示している。

1. 本研究で何をどのように，どこまで明らかにした？

• 答え：PubMed/Medline、Embase、ACL Anthology、IEEE Xplore Digital Libraryから2016年1月から2022年10月にかけて公開された医療テキストを用いたFSLの関連研究51件について総合的にレビューした。その結果、NLPの多くのタスクにおいてFSLが有効である可能性があることが示されたが、それに対応したオープンデータセットが不足していたことが明らかになった。また、FSLでの医療テキストの分類においては、他の分野に比べて性能が劣ることも指摘された。

1. 本研究の有効性はどのように検証した？

• 答え：本研究では、PubMed/Medline、Embase、ACL Anthology、IEEE Xplore Digital Library、Google Scholar、arXiv、medRxiv、bioRxivを使い、多くの研究文献に関するレビューを行い、FSLを用いた医療的なNLPにおける網羅的なレビューを行った。また、FSLを用いて医療NLPにおける多くのタスクに対して適用された評価指標を網羅的に分析した。さらに、オープンデータセットを用いて、FSLの有用性を示した。