Eksploracja tekstu biomedycznego - Biomedical text mining

Biomedyczna eksploracja tekstu (w tym biomedyczne przetwarzanie języka naturalnego lub BioNLP ) odnosi się do metod i badań, w jaki sposób eksploracja tekstu może być zastosowana do tekstów i literatury z dziedziny biomedycyny i biologii molekularnej . Jako dziedzina badań biomedyczna eksploracja tekstu obejmuje idee z przetwarzania języka naturalnego , bioinformatyki , informatyki medycznej i lingwistyki komputerowej . Strategie opracowane w wyniku badań w tej dziedzinie są często stosowane w literaturze biomedycznej i biologii molekularnej dostępnej za pośrednictwem usług takich jak PubMed .

Rozważania

Zastosowanie metod eksploracji tekstu do tekstu biomedycznego wymaga szczególnych rozważań wspólnych dla tej dziedziny.

Dostępność adnotowanych danych tekstowych

Ten rysunek przedstawia kilka właściwości korpusu literatury biomedycznej przygotowanej przez Westergaarda i in. Korpus zawiera 15 milionów artykułów pełnotekstowych w języku angielskim. (a) Liczba publikacji rocznie w latach 1823–2016. (b) Rozwój czasowy w rozkładzie sześciu różnych kategorii tematycznych z lat 1823–2016. (c) Rozwój liczby stron na artykuł w latach 1823–2016.

Duże korpusy z adnotacjami wykorzystywane w opracowywaniu i szkoleniu ogólnych metod eksploracji tekstu (np. zestawy dialogów filmowych, recenzje produktów lub teksty artykułów w Wikipedii) nie są specyficzne dla języka biomedycznego. Chociaż mogą dostarczać dowodów na ogólne właściwości tekstu, takie jak części mowy, rzadko zawierają koncepcje interesujące biologów lub klinicystów. Opracowanie nowych metod identyfikacji cech charakterystycznych dla dokumentów biomedycznych wymaga zatem montażu wyspecjalizowanych korpusów. Zasoby mające pomóc w tworzeniu nowych metod eksploracji tekstu biomedycznego zostały opracowane w ramach wyzwań Informatics for Integrating Biology and the Bedside (i2b2) oraz badaczy informatyki biomedycznej. Badacze eksploracji tekstu często łączą te korpusy z kontrolowanymi słownikami i ontologiami dostępnymi za pośrednictwem ujednoliconego systemu językowego (UMLS) i medycznych nagłówków tematycznych (MeSH) Narodowej Biblioteki Medycznej .

Metody oparte na uczeniu maszynowym często wymagają bardzo dużych zestawów danych jako danych uczących do tworzenia przydatnych modeli. Ręczna adnotacja dużych korpusów tekstowych nie jest realistycznie możliwa. Dane szkoleniowe mogą zatem być produktem słabego nadzoru lub metodami czysto statystycznymi.

Zmienność struktury danych

Podobnie jak inne dokumenty tekstowe, dokumenty biomedyczne zawierają nieustrukturyzowane dane . Publikacje badawcze mają różne formaty, zawierają różne rodzaje informacji i są przeplatane rysunkami, tabelami i innymi treściami nietekstowymi. Zarówno tekst nieustrukturyzowany, jak i częściowo ustrukturyzowane elementy dokumentu, takie jak tabele, mogą zawierać ważne informacje, które powinny być eksplorowane w tekście. Dokumenty kliniczne mogą różnić się strukturą i językiem pomiędzy oddziałami i lokalizacjami. Inne rodzaje tekstu biomedycznego, takie jak etykiety leków, mogą być zgodne z ogólnymi wytycznymi strukturalnymi, ale brakuje im dalszych szczegółów.

Niepewność

Literatura biomedyczna zawiera stwierdzenia dotyczące obserwacji, które mogą nie być stwierdzeniami faktów. Ten tekst może wyrażać niepewność lub sceptycyzm co do roszczeń. Bez konkretnych adaptacji, metody eksploracji tekstu zaprojektowane w celu identyfikacji twierdzeń w tekście mogą błędnie scharakteryzować te „zabezpieczone” twierdzenia jako fakty.

Wspieranie potrzeb klinicznych

Biomedyczne aplikacje do eksploracji tekstu opracowane do użytku klinicznego powinny idealnie odzwierciedlać potrzeby i wymagania lekarzy. Jest to problem w środowiskach, w których oczekuje się, że wsparcie decyzji klinicznych będzie informacyjne i dokładne.

Interoperacyjność z systemami klinicznymi

Nowe systemy eksploracji tekstu muszą współpracować z istniejącymi standardami, elektroniczną dokumentacją medyczną i bazami danych. Opracowano metody łączenia się z systemami klinicznymi, takimi jak LOINC , ale ich wdrożenie i utrzymanie wymaga dużego wysiłku organizacyjnego.

Prywatność pacjenta

Systemy eksploracji tekstu działające z prywatnymi danymi medycznymi muszą szanować ich bezpieczeństwo i zapewniać ich anonimowość w stosownych przypadkach.

Procesy

Podczas przetwarzania tekstu biomedycznego szczególne znaczenie mają zadania szczegółowe.

Rozpoznawanie nazwanych jednostek

Postępy w biomedycznej eksploracji tekstu obejmowały identyfikację jednostek biologicznych za pomocą rozpoznawania jednostek nazwanych (NER). Nazwy i identyfikatory biomolekuł, takich jak białka i geny , związki chemiczne i leki oraz nazwy chorób zostały użyte jako jednostki. Większość metod rozpoznawania jednostek jest obsługiwana przez predefiniowane cechy językowe lub słownictwo, chociaż metody obejmujące głębokie uczenie i osadzanie słów również odniosły sukces w biomedycznym NER.

Klasyfikacja dokumentów i grupowanie

Dokumenty biomedyczne mogą być klasyfikowane lub grupowane na podstawie ich treści i tematów. W klasyfikacji kategorie dokumentów są określane ręcznie, podczas gdy w klastrowaniu dokumenty tworzą odrębne grupy zależne od algorytmu. Te dwa zadania są reprezentatywne dla metod nadzorowanych i nienadzorowanych , jednak celem obu jest tworzenie podzbiorów dokumentów w oparciu o ich wyróżniające cechy. Metody grupowania dokumentów biomedycznych opierają się na grupowaniu k- średnich .

Odkrywanie związku

Dokumenty biomedyczne opisują powiązania między pojęciami, niezależnie od tego, czy są to interakcje między biocząsteczkami, zdarzenia zachodzące później (tj. relacje czasowe ), czy też związki przyczynowe . Metody eksploracji tekstu mogą wykonywać wykrywanie relacji w celu zidentyfikowania tych połączeń, często w połączeniu z rozpoznawaniem nazwanych jednostek.

Wykrywanie wskazówki żywopłotu

Wyzwanie polegające na identyfikacji niepewnych lub „zabezpieczonych” stwierdzeń rozwiązano poprzez wykrywanie wskazówek zabezpieczających w literaturze biomedycznej.

Wykrywanie roszczeń

Wielu badaczy opracowało metody identyfikowania określonych twierdzeń naukowych z literatury. W praktyce proces ten polega zarówno na wyodrębnianiu fraz, jak i zdań oznaczających główne argumenty wysuwane przez autorów dokumentu (proces znany jako argument mining , wykorzystujący narzędzia stosowane w takich dziedzinach, jak politologia) oraz porównywanie twierdzeń w celu znalezienia potencjalnych sprzeczności między nimi.

Ekstrakcja informacji

Ekstrakcja informacji lub IE , to proces automatycznego identyfikowania uporządkowanych informacji z nieustrukturyzowanego lub częściowo ustrukturyzowanego tekstu. Procesy IE mogą obejmować kilka lub wszystkie powyższe czynności, w tym rozpoznawanie nazwanych jednostek, wykrywanie relacji i klasyfikację dokumentów, których ogólnym celem jest przetłumaczenie tekstu na bardziej ustrukturyzowaną formę, taką jak zawartość szablonu lub bazy wiedzy . W dziedzinie biomedycznej IE służy do generowania powiązań między pojęciami opisanymi w tekście, np. gen A hamuje gen B, a gen C jest zaangażowany w chorobę G. Bazy wiedzy biomedycznej zawierające tego typu informacje są na ogół wytworem obszernej ręcznej kuracji, więc zastąpienie wysiłków ręcznych metodami zautomatyzowanymi pozostaje ważnym obszarem badań.

Pobieranie informacji i odpowiadanie na pytania

Biomedyczna eksploracja tekstu obsługuje aplikacje do identyfikacji dokumentów i pojęć pasujących do zapytań wyszukiwania. Wyszukiwarki, takie jak wyszukiwarka PubMed, pozwalają użytkownikom przeszukiwać bazy danych literatury za pomocą słów lub fraz obecnych w treści dokumentu, metadanych lub indeksów, takich jak MeSH . Podobne podejście można zastosować do wyszukiwania literatury medycznej . Aby uzyskać bardziej szczegółowe wyniki, niektóre aplikacje umożliwiają użytkownikom wyszukiwanie za pomocą zapytań w języku naturalnym i identyfikowanie określonych relacji biomedycznych.

16 marca 2020 r. Narodowa Biblioteka Medyczna i inne podmioty uruchomiły zestaw otwartych danych badawczych COVID-19 (CORD-19), aby umożliwić eksplorację tekstu aktualnej literatury na temat nowego wirusa. Zbiór danych jest obsługiwany przez projekt Semantic Scholar Instytutu Allen dla AI . Pozostali uczestnicy to Google , Microsoft Research , Center for Security and Emerging Technology oraz Chan Zuckerberg Initiative .

Zasoby

Korporacja

Poniższa tabela zawiera wybór korpusów tekstów biomedycznych i ich zawartość. Pozycje te obejmują korpusy z adnotacjami, źródła literatury dotyczącej badań biomedycznych oraz zasoby często wykorzystywane jako odniesienia do słownictwa i/lub ontologii, takie jak MeSH . Pozycje oznaczone „Tak” w sekcji „Swobodnie dostępne” można pobrać z publicznie dostępnej lokalizacji.

Osadzanie słów

Kilka grup opracowało zestawy słownictwa biomedycznego mapowane na wektory liczb rzeczywistych, znane jako wektory słów lub osadzania słów . Źródła wstępnie wytrenowanych osadzeń specyficznych dla słownictwa biomedycznego są wymienione w poniższej tabeli. Większość z nich to wyniki modelu word2vec opracowanego przez Mikolova i in. lub warianty word2vec.

Aplikacje

Przykład protokołu eksploracji tekstu używanego w badaniu kompleksów białkowo-białkowych lub dokowania białek .

Aplikacje górnicze tekst w dziedzinie biomedycyny obejmują obliczeniowych metod pomagających w badaniach in dokowania białek , oddziaływań białek i związków białka chorobowych.

Identyfikacja klastra genów

Opracowano metody określania powiązania klastrów genów uzyskanych w eksperymentach mikromacierzowych z kontekstem biologicznym dostarczanym przez odpowiednią literaturę.

Oddziaływania białek

Zbadano automatyczną ekstrakcję interakcji białek i asocjacji białek z pojęciami funkcjonalnymi (np. terminami ontologii genów ). Wyszukiwarka PIE została opracowana w celu identyfikowania i zwracania wzmianek o interakcjach białko-białko w artykułach zindeksowanych przez MEDLINE . Ekstrakcja parametrów kinetycznych z tekstu lub subkomórkowa lokalizacja białek również została rozwiązana za pomocą technologii ekstrakcji informacji i eksploracji tekstu.

Stowarzyszenia chorób genowych

Eksploracja tekstu może pomóc w ustaleniu priorytetów genów lub identyfikacji genów, które najprawdopodobniej przyczynią się do chorób genetycznych . Jedna grupa porównała kilka słowników, reprezentacji i algorytmów rankingowych w celu opracowania wzorców ustalania priorytetów genów.

Związki gen-cecha

Grupa zajmująca się genomiką rolniczą zidentyfikowała geny związane z cechami rozrodu bydła , między innymi za pomocą eksploracji tekstu.

Związki białkowo-chorobowe

Eksploracja tekstu umożliwia bezstronną ocenę relacji białko-choroba w ogromnej ilości nieustrukturyzowanych danych tekstowych .

Zastosowania eksploracji fraz do stowarzyszeń chorobowych

Badanie eksploracji tekstu zgromadziło zbiór 709 podstawowych białek macierzy zewnątrzkomórkowej i powiązanych białek w oparciu o dwie bazy danych: MatrixDB ( matrixdb.univ-lyon1.fr ) i UniProt . Ten zestaw białek miał rozsądną wielkość i bogaty zbiór powiązanych informacji, dzięki czemu nadaje się do zastosowania w narzędziach do eksploracji tekstu. Naukowcy przeprowadzili analizę eksploracji fraz, aby zbadać krzyżowo poszczególne białka macierzy zewnątrzkomórkowej w literaturze biomedycznej dotyczącej sześciu kategorii chorób sercowo-naczyniowych . Użyli potoku eksploracji fraz, kontekstowego semantycznego przetwarzania analitycznego online (CaseOLAP), a następnie semantycznie ocenili wszystkie 709 białek zgodnie z ich integralnością, popularnością i charakterem przy użyciu potoku CaseOLAP. Badanie eksploracji tekstu potwierdziło istniejące zależności i dostarczyło informacji o wcześniej nierozpoznanych procesach biologicznych w patofizjologii układu sercowo-naczyniowego.

Narzędzia programowe

Wyszukiwarki

Wyszukiwarki zaprojektowane do wyszukiwania literatury biomedycznej związanej z zapytaniem podanym przez użytkownika często opierają się na metodach eksploracji tekstu. Publicznie dostępne narzędzia specyficzne dla literatury naukowej obejmują wyszukiwanie PubMed, wyszukiwanie Europe PubMed Central , GeneView i APSE. Podobnie opracowano wyszukiwarki i systemy indeksowania specyficzne dla danych biomedycznych, w tym DataMed i OmicsDI.

Niektóre wyszukiwarki, takie jak Essie, OncoSearch, PubGene i GoPubMed, były wcześniej publiczne, ale od tego czasu zostały wycofane, przestarzałe lub zintegrowane z produktami komercyjnymi.

Systemy analizy dokumentacji medycznej

Elektroniczna dokumentacja medyczna (EMR) i elektroniczna dokumentacja zdrowotna (EHR) są gromadzone przez personel kliniczny w trakcie diagnozy i leczenia. Chociaż te rejestry zazwyczaj zawierają ustrukturyzowane elementy o przewidywalnych formatach i typach danych, pozostałe raporty są często tekstem swobodnym i są trudne do przeszukiwania, co prowadzi do problemów z opieką nad pacjentem. Opracowano wiele kompletnych systemów i narzędzi do analizy tych fragmentów wolnego tekstu. System MedLEE został pierwotnie opracowany do analizy raportów radiologicznych klatki piersiowej , ale później został rozszerzony na inne tematy raportów. Analiza tekstu kliniczne i wiedzy systemu ekstrakcji lub cTAKES , annotates tekst kliniczne przy użyciu słownika pojęć. System CLAMP oferuje podobną funkcjonalność z przyjaznym dla użytkownika interfejsem.

Ramy

Opracowano ramy obliczeniowe do szybkiego tworzenia narzędzi do zadań eksploracji tekstu biomedycznego. SwellShark to struktura dla biomedycznego NER, która nie wymaga danych oznakowanych przez człowieka, ale wykorzystuje zasoby do słabego nadzoru (np. typy semantyczne UMLS ). Struktura SparkText wykorzystuje strumieniowe przesyłanie danych Apache Spark , bazę danych NoSQL i podstawowe metody uczenia maszynowego do tworzenia modeli predykcyjnych na podstawie artykułów naukowych.

Pszczoła

Niektóre biomedyczne narzędzia do eksploracji tekstu i przetwarzania języka naturalnego są dostępne za pośrednictwem interfejsów programowania aplikacji lub interfejsów API . NOBLE Coder wykonuje rozpoznawanie koncepcji poprzez API.

Konferencje

Podczas kolejnych konferencji i warsztatów naukowych odbywają się dyskusje i prezentacje na temat postępów w biomedycznej eksploracji tekstów. Większość publikuje postępowania .

Czasopisma

Różne czasopisma naukowe publikujące manuskrypty z dziedziny biologii i medycyny obejmują tematy związane z oprogramowaniem do eksploracji tekstu i przetwarzania języka naturalnego. Niektóre czasopisma, w tym Journal of the American Medical Informatics Association (JAMIA) i Journal of Biomedical Informatics, są popularnymi publikacjami na te tematy.

Bibliografia

Dalsza lektura

Zewnętrzne linki

• Gromadzenie zasobów, systemów i baz danych aplikacji Bio-NLP
• Archiwa list mailingowych BioNLP
• Corpora do eksploracji tekstów biomedycznych
• BioCreative ewaluacje biomedycznych technologii eksploracji tekstu
• Katalog osób zaangażowanych w BioNLP