Comparative analysis of NLP models for ICD and ATC classification in Turkish medical datasets

Bu çalışma, çeşitli NLP yaklaşımlarından yararlanarak ICD (Uluslararası Hastalık Sınıflandırması) ve ATC (Anatomik Terapötik Kimyasal) kodlarını belirlemek amacıyla Türkçe tıp metinlerini sınıflandırmak için çeşitli metodolojileri içermektedir. Bu çalışmadaki başlıca kritik nokta medikal metinlerdeki bağlamın anlaşılması ve orta/uzun boyutlu belgelerin doğru sınıflandırılmasıdır. Diğer bir zorluk ise sınırlı veri kaynaklarına sahip olan Türkçe gibi düşük kaynaklı bir dilde olası bütün kategorilere sahip etiketli bir veri seti elde etmektir. Bu çalışma için iki farklı veri seti kullanılmıştır. İlk veri seti tıbbi makale özetlerinin spesifik olarak ICD-CM-10 C kodlu hastalik sınıfları ile etiketlendirilmiştir. Bu veri seti başka bir ekip tarafından hazırlanmış ve dış kaynaklardan temin edilmiştir. İkinci veri seti ise olası bütün ATC kodlarını kapsayan Türkçe İlaç kılavuzlarını (Kısa Ürün Bilgisi dokümanları) içermektedir. Veri seti oluşturma adımından sonra daha iyi performans sonuçları elde etmek için metin önişleme uygulandı. BERTurk Uncased, BERTurk Large, ElectraBERTurk ve DistilBERTurk gibi birçok farklı BERT modelleri, SVC ve FastText dahil olmak uzere çeşitli modeller her iki veri seti üzerinde uygulandı ve Türkçe Medikal Ozetler Verisetinde %86 lik bir F1-skoru elde edildi. DistilBERT'in Türkçe versiyonu olan DistilBERTurk modeli ise bu veri setinde %92.3 F1-Skoru elde edilmesini saglamistir. En yüksek başarı sonuçları ise Türkçe İlaç Kullanım Kılavuzu veri seti üzerinde elde edildi. FastText ile %96, BERTurk Uncased modeli ile %95.9 F1-skoru ve SVC ile %94 F1 skoru elde edilmiştir. Bu sonuçlar kullanılan modellerin yöntem olarak etkili olduğunu vurgulamaktadır.