임상 퇴원 요약문에서 Word2Vec·Doc2Vec 기반 무감독 감성 분석

초록

본 연구는 감성 라벨이 없는 임상 퇴원 요약문에 Word2Vec와 Doc2Vec를 적용해 무감독 감성 분석을 수행하였다. SentiWordNet을 기준 골드 표준으로 삼아 두 임베딩 방법의 감성 점수를 계산하고, 결과가 상호 보완적임을 확인하였다. 이를 통해 특정 질병에 대한 잠재적 편향을 탐지하고, 감성 분석에 있어 무감독 학습의 실용성을 제시한다.

상세 분석

이 논문은 임상 텍스트라는 특수 도메인에 무감독 감성 분석을 적용한다는 점에서 의미가 크다. 먼저 데이터셋은 퇴원 요약문으로, 일반적인 감성 분석에 비해 전문 용어와 약어가 다수 포함되어 있다. 저자들은 사전 라벨이 없으므로 Word2Vec(단어 수준)과 Doc2Vec(문서 수준) 두 가지 임베딩을 학습하고, 각 임베딩 벡터와 SentiWordNet에 정의된 감성 점수를 매핑하는 방식을 채택했다. 여기서 핵심은 “임베딩 공간에서 유사도 기반으로 감성 점수를 추정”한다는 가정이다. Word2Vec은 주변 단어와의 관계를 통해 단어 벡터를 형성하므로, 감성이 강하게 표현된 단어(예: ‘pain’, ‘improved’)가 주변 맥락에 따라 감성 방향을 잡는다. 반면 Doc2Vec은 전체 문서(요약문) 수준에서 벡터를 학습해, 문맥 전체가 반영된 감성 추정이 가능하다. 두 방법을 별도로 평가한 뒤, 결과를 평균하거나 보완적으로 결합함으로써 개별 모델의 편향을 감소시킨다.

평가 단계에서는 SentiWordNet을 “골드 표준”으로 사용했는데, 이는 일반 영어 감성 사전이며 임상 용어에 대한 커버리지가 제한적이다. 따라서 실제 임상 감성과 사전 감성 사이에 불일치가 발생할 가능성이 있다. 논문은 이러한 한계를 인지하고, 사전 기반 점수를 “대조 기준”으로 삼아 상대적 성능을 측정한다는 점에서 실용적인 접근이라 할 수 있다. 실험 결과, Word2Vec은 특정 감성 단어에 민감하게 반응해 높은 변동성을 보였고, Doc2Vec은 전체 문맥을 고려해 보다 안정적인 평균 점수를 제공했다. 두 모델을 결합했을 때, 감성 차이가 뚜렷한 질병군(예: 심혈관계 vs. 감염성 질환) 사이에서 통계적으로 유의한 차이를 탐지할 수 있었다.

기술적 관점에서 보면, 무감독 학습을 선택한 이유는 라벨링 비용이 높은 임상 데이터의 현실을 반영한다는 점이다. 그러나 무감독 방법은 “감성”이라는 추상적 개념을 직접 학습하지 못하므로, 사전 매핑 과정에서 발생하는 오류가 결과에 크게 영향을 미친다. 또한, Word2Vec과 Doc2Vec 모두 CBOW/Skip‑gram 혹은 PV‑DM/PV‑DBOW와 같은 하이퍼파라미터 설정에 민감한데, 논문에서는 파라미터 탐색 과정을 상세히 기술하지 않아 재현 가능성이 다소 낮다. 데이터 전처리 단계에서 약어 확장, 철자 교정, 불용어 제거 등을 어떻게 수행했는지도 명시되지 않아, 임상 텍스트 특유의 노이즈가 모델에 미친 영향을 평가하기 어렵다.

결론적으로, 이 연구는 임상 문서에 무감독 감성 분석을 적용하는 초기 시도로서, Word2Vec과 Doc2Vec의 상호 보완성을 실증적으로 보여준다. 하지만 사전 기반 평가의 한계, 파라미터 최적화 부족, 전처리 상세 미공개 등은 향후 연구에서 보완되어야 할 과제이다. 특히, 임상 전용 감성 사전을 구축하거나, 약간의 지도 학습(예: 소규모 라벨링)과 결합한 반지도 학습 방식을 도입하면 성능과 해석 가능성을 동시에 향상시킬 수 있을 것이다.