پیش بینی روند نوظهور در ادبیات زیست پزشکی

ما یک مطالعه در مورد چگونگی پیش بینی روندهای جدید نوظهور در حوزه زیست پزشکی بر اساس داده های متنی ارائه می دهیم. ما از این طریق راهی برای پیش بینی تبدیل اطلاعات دلخواه به دانش حقیقت زمینی با پیش بینی گنجاندن اصطلاحات جدید در هستی شناسی مش پیشنهاد می کنیم. ما همچنین در مورد تهیه یک مجموعه داده برای ارزیابی الگوریتم های پیش بینی روند نوظهور که بر اساس چکیده های PubMed و اصطلاحات مش مرتبط است ، بحث می کنیم. نتایج نشان می دهد که پیش بینی اولیه روندهای نوظهور امکان پذیر است.

معرفی

چشم انداز اطلاعات به سرعت در حال رشد است و انسان در تلاش است تا از آن پیروی کند. به عنوان مثال ، تحقیقات علمی بسیار پویا است و فناوری های زمینی در حال تغییر زمینه های مستقر و ایجاد سرزمین های تحقیقاتی جدید هستند. به خصوص در دامنه های زیست پزشکی ، فناوری های دستیابی به موفقیت در حال افزایش تکه تکه شدن هستند و اختراع زمینه های جدید باعث می شود که انسان از آخرین اطلاعات ، روندها و یافته ها در مدت زمان معقول استفاده کند. جمع آوری اطلاعات به روز برای موفقیت در تجارت بسیار مهم است و در هر سطح از سازمان ضروری است. بنابراین ، الگوریتم های پیش بینی روند در حال ظهور که مقادیر زیادی از محتوا را برای استخراج روند در مراحل اولیه اسکن می کنند ، به ویژه برای محققان صنعت که به دنبال مسیرهای امیدوارکننده جدید هستند که توسط محققان در حاشیه این زمینه ایجاد می شود ، لازم است.

PubMed 1 ، بزرگترین بانک اطلاعاتی متن کتابشناختی زیست پزشکی با بیش از 17 میلیون مقاله و بیش از 10،000 چکیده تحقیق تازه ارسال شده هر هفته ، پایه خوبی برای نظارت بر فناوری های دستیابی به موفقیت و استخراج روندهای است. کتابخانه ملی پزشکی ایالات متحده (NLM) میزبان و نگهداری از بانک اطلاعاتی است و مسئولیت طبقه بندی و حاشیه نویسی اسناد ورودی با ابرداده را بر اساس عناوین موضوع پزشکی (MESH) 2 هستی شناسی به عهده می گیرد. علاوه بر سودمندی آن به عنوان منبعی برای ارتباط با برچسب های معنایی (حاشیه نویسی) به چکیده های PubMed ، هستی شناسی مش همچنین مشخصات رسمی و صریح از دانش زیست پزشکی حاضر را ارائه می دهد.

هستی شناسی مش به صورت دستی انجام می شود و هر سال بر اساس فن آوری های جدید یا یافته های موجود در زمینه زیست پزشکی ، هر سال به روزرسانی عمده می شود. به عنوان مثال ، ژن ها یا پروتئین هایی که برای پیشرفت و پیشرفت یک بیماری خاص بسیار مهم هستند ، به عنوان مفاهیمی به هستی شناسی مش اضافه می شوند که یک درجه خاص از اجماع در جامعه علمی ایجاد شده است. بنابراین پیش بینی تغییرات در هستی شناسی می تواند به عنوان پیش بینی دانش جدید تأسیس شده تلقی شود. در ادامه ، توسعه اصطلاحات مش راجع به سرطان را مورد مطالعه قرار می دهیم و نشان می دهیم که چگونه می توان از سیستم ما برای پیش بینی روندهای نوظهور در مرحله بسیار اولیه استفاده کرد.

برای باقیمانده این مقاله ، ما به وظیفه پیش بینی نشانگرهای نشانگر نوظهور از چکیده های PubMed خواهیم پرداخت. به عبارت دیگر ، ما پیش بینی می کنیم که آیا یک ژن با توجه به فرکانس مشاهده شده از اصطلاح مولکولی مربوطه ، در طی 1-5 سال آینده به یک بیماری نشانگر مربوط به بیماری تبدیل می شود. بر خلاف بسیاری از روشهای پیشنهادی دیگر در مورد تشخیص روند نوظهور ، ما با دقت یک مجموعه داده را با یک حقیقت زمینی شناخته شده حاصل از یک منبع خارجی تهیه می کنیم و سعی می کنیم به جای اینکه به صورت گذشته نگر آنها را تشخیص دهیم ، روندها را پیش بینی کنیم.

کار مرتبط

یکی از اولین مقاله هایی که در مورد روند بایگانی اسناد ذکر شده است [7] است. فرکانس عبارات با گذشت زمان ردیابی می شود و کاربر می تواند برای روند شکل های از پیش تعریف شده پرس و جو کند. این رویکرد می تواند روندهای اخیراً در حال ظهور را تشخیص دهد.[3] در مورد روندهای نوظهور در زمینه موارد به عنوان الگوهای با تفاوت زیاد در پشتیبانی بین دو مجموعه داده (زیر مجموعه های یک مجموعه داده واحد یا یک پارتیشن مبتنی بر زمان) بحث می کند. هیچ ارزیابی با حقیقت زمینی در این مقالات انجام نشده است زیرا این تجزیه و تحلیل بیشتر اکتشافی بود.

تاکنون مطالعات فقط بر تجزیه و تحلیل مباحث گذشته با تجزیه و تحلیل گذشته نگر از بایگانی اسناد متمرکز شده است.[12] از تست های مهم برای تشخیص دوره های زمانی استفاده می کند که کلمات دارای فرکانس بالاتر از حد معمول هستند.[13] یک رویکرد مدل احتمالی تولیدی را برای مباحث بهتر در حال تحول مدل ارائه می دهد.

یک مدل مبتنی بر حالت در [5] برای مدل سازی یک ساختار سلسله مراتبی پشت سر هم در یک جریان سند استفاده می شود. یکی از برنامه ها ، طبقه بندی خودکار ایمیل ها به موضوعات و زیرگروه ها است. تشخیص پشت سر هم در [4] برای خوشه های کلمات استفاده می شود. ما تاکنون روی رتبه بندی ویژگی های فردی متمرکز شده ایم اما این می تواند به خوشه های ویژگی ها گسترش یابد.

چندین رویکرد برای تشخیص تغییرات در بایگانی اسناد از یک پارتیشن از محور زمان در فواصل بزرگ استفاده می کند. از مدل های مخلوط محدود در [9] برای نشان دادن اسناد هر بازه استفاده می شود. مقایسه مدل ها در فواصل زمانی بعدی برای گزارش روندهای جدید استفاده می شود. در [8] خوشه بندی برای هر مرحله زمانی انجام می شود و خوشه ها با یک مدل نمودار برای به دست آوردن بازنمایی زمانی از مجموعه اسناد متصل می شوند. یک روش مشابه در [11] برای تشخیص مباحث ظهور و مداوم برای گسترش هستی شناسی استفاده می شود. خوشه های جدیدی که از بازه زمانی قبلی به خوشه ها وصل نمی شوند ، کاندیداهای مفاهیم جدید هستی شناسی هستند.[2] محور زمان مربوط به یک بایگانی سند را تجزیه می کند و سعی می کند از دست دادن اطلاعات در مجموعه ویژگی های مهم در هر مرحله به حداقل برسد. این روش برای گزیده کوچکی از PubMed در [14] اعمال می شود. روش کشف مربوط به ادبیات ارائه شده در [6] با هدف ترکیب ادبیات از زمینه های علمی جداگانه برای کشف روابط قبلاً ناشناخته و احتمالاً هم افزایی. داوطلبان با جستجوی حق ثبت اختراع برای هنر قبلی تأیید می شوند.

ما بر تجزیه و تحلیل داده های متنی از حوزه زیست پزشکی با هدف تشخیص مداوم آن نهادهای پزشکی ، به عنوان مثال ، تمرکز می کنیم. ژن ها ، پروتئین ها یا دستگاه های پزشکی که احتمالاً در آینده به یک فناوری دستیابی به موفقیت تبدیل می شوند. این برخلاف روشهای فوق است که از وضوح زمانی دانه درشت استفاده می کنند یا بر تجزیه و تحلیل گذشته نگر تمرکز می کنند. ما معتقدیم که نتایج چنین رویکردهایی به دلیل تأخیر در زمان مرتبط در تشخیص ، از آن استفاده می کند. بر خلاف رویکردهای گذشته نگر که مجموعه های کل را برای استخراج الگوهای در داده های گذشته تجزیه و تحلیل می کند ، ما فقط از داده های موجود قبل از یک نقطه زمان استفاده می کنیم تا پیش بینی های مربوط به آینده (با توجه به آن نقطه زمانی) را پیش بینی کنیم.

جمع آوری داده ها

حقیقت زمین

ما از اطلاعات زمانی مرتبط با اصطلاحات مش در نسخه 2008 برای به دست آوردن حقیقت زمینی برای روندهای نوظهور استفاده کردیم. ما فرض می کنیم که هنگامی که NLM اصطلاح یک مفهوم پزشکی تأسیس شده و مرتبط را در نظر بگیرد ، شرایط مش اضافه می شود و باید قبل از ورود به هستی شناسی ، فعالیت تحقیقاتی قابل توجهی وجود داشته باشد. این اصطلاحات در هستی شناسی قرار داده شده و با اصطلاحات موجود مانند بیماری ها متقاطع است.

ما در مورد اصطلاحات مربوط به سرطان که بین سالهای 1975 تا 2007 اضافه شده بود ، به دنبال هستی شناسی مش هستیم و برای محققان نظارت بر ادبیات برای پیشرفت های علمی جالب بود. استراتژی های فیلتر ما بسیار سختگیرانه است تا اطمینان حاصل کنیم که ما فقط مفاهیم واقعاً جالبی را به عنوان مثبت واقعی داریم. ما با تمام اصطلاحات مش شروع به کار کردیم که حداقل در یکی از اسناد مرتبط با سرطان مشاهده شد. این 22169 اصطلاح تقریباً هستی شناسی کامل را در بر می گرفت. بدیهی است که همه این اصطلاحات مربوط به سرطان نیست. بنابراین ما از ساختار درخت برای فیلتر کردن اصطلاحات مش برای ورودی هایی که در درختی ذکر شده است که یکی از کلمات کلیدی سرطان (به بالا را ببینید) در نام مسیر استفاده کردیم. این منجر به 224 درخت مربوطه با 759 اصطلاح مربوطه می شود. از این 65 حذف شدند زیرا آنها قبل از 01/01/1975 تأسیس شدند. 524 از 694 اصطلاح باقیمانده با نئوپلاسم های سطح بالای درخت [C04] همراه بود. از آنجا که ما علاقه مند به پیش بینی نشانگرهای زیستی و فن آوری های مربوط به تشخیص و درمان بیماری ها هستیم اما نه چندان در پیش بینی نوع بیماری ، ما این شرایط را حذف کردیم. ما فقط در یکی از درختان سطح بالا که در جدول 1 ذکر شده است ، در نتیجه 140 اصطلاح باقی مانده شرایط را حفظ کرده ایم. برای ارزیابی ، اصطلاحات مش نیاز به نقشه برداری در کلمه مشاهده شده از خلاصه ها است. در این فرایند مفاهیم چتر مانند ژن ها ، نئوپلاسم یا رده سلولی ، تومور و اصطلاحاتی را که به راحتی با یک کلمه (ساقه) مانند آنتی ژن بلوغ سلول B قابل شناسایی نیست ، حذف کردیم. ما قصد داریم از N-Grams برای پوشش چنین اصطلاحاتی استفاده کنیم اما این باعث افزایش پیچیدگی محاسباتی می شود. ما همچنین نسخه های کپی را حذف کردیم که در آن همان کلمه ساقه با یک ژن و یک پروتئین در مش همسان شده است. اصطلاح مش با زمان آفرینش قبلی در این مورد استفاده شد. نتیجه نهایی لیستی از 81 اصطلاح مش به عنوان مثبت واقعی برای نشانگرهای زیستی مرتبط با سرطان بود. توزیع این اصطلاحات با گذشت زمان در شکل 2 نشان داده شده است و برخی از نمونه ها در جدول 2 ذکر شده است.