استخراج النصوص الطبية الحيوية

لا تُعدّ مجموعات النصوص الكبيرة المُعلّقة، المستخدمة في تطوير وتدريب أساليب استخراج النصوص العامة (مثل مجموعات حوارات الأفلام، ^{[ 3 ]} ومراجعات المنتجات، ^{[ 4 ]} أو نصوص مقالات ويكيبيديا)، مُخصصة للغة الطبية الحيوية. فبينما قد تُقدّم أدلة على خصائص نصية عامة كأجزاء الكلام، إلا أنها نادرًا ما تحتوي على مفاهيم تهمّ علماء الأحياء أو الأطباء. ولذلك، يتطلب تطوير أساليب جديدة لتحديد السمات الخاصة بالوثائق الطبية الحيوية تجميع مجموعات نصوص مُتخصصة. ^{[ 5 ]} وقد طُوّرت موارد مُصممة للمساعدة في بناء أساليب جديدة لاستخراج النصوص الطبية الحيوية من خلال تحديات المعلوماتية لدمج علم الأحياء والسرير (i2b2) ^{[ 6 ] [ 7 ] [ 8 ]} وباحثي المعلوماتية الطبية الحيوية. ^{[ 9 ] [ 10 ]} وكثيرًا ما يجمع باحثو استخراج النصوص هذه المجموعات مع المفردات المُتحكّم بها والأنطولوجيات المُتاحة من خلال نظام اللغة الطبية الموحد (UMLS) ورؤوس الموضوعات الطبية (MeSH) التابعين للمكتبة الوطنية للطب .

تتطلب الأساليب القائمة على التعلم الآلي غالبًا مجموعات بيانات ضخمة جدًا كبيانات تدريب لبناء نماذج فعّالة. ^{[ 11 ]} ولا يُعدّ التوصيف اليدوي لمجموعات النصوص الضخمة أمرًا عمليًا. لذا، قد تكون بيانات التدريب نتاج إشراف ضعيف ^{[ 12 ] [ 13 ]} أو أساليب إحصائية بحتة.

كغيرها من الوثائق النصية، تحتوي الوثائق الطبية الحيوية على بيانات غير مُهيكلة . ^{[ 14 ]} تتبع المنشورات البحثية تنسيقات مختلفة، وتحتوي على أنواع مختلفة من المعلومات، وتتخللها أشكال وجداول ومحتوى آخر غير نصي. قد يحتوي كل من النص غير المُهيكل وعناصر الوثائق شبه المُهيكلة، كالجداول، على معلومات مهمة ينبغي استخراجها من النصوص. ^{[ 15 ]} قد تختلف الوثائق السريرية في هيكلها ولغتها بين الأقسام والمواقع. أما أنواع أخرى من النصوص الطبية الحيوية، مثل ملصقات الأدوية، ^{[ 16 ]} فقد تتبع إرشادات هيكلية عامة ولكنها تفتقر إلى مزيد من التفاصيل.

تحتوي الأدبيات الطبية الحيوية على عبارات حول ملاحظات قد لا تكون حقائق ثابتة. قد يُعبّر هذا النص عن عدم يقين أو شكّ في صحة الادعاءات. وبدون تعديلات مُخصصة، قد تُصنّف أساليب استخراج البيانات النصية، المُصممة لتحديد الادعاءات داخل النص، هذه العبارات "المُتحوّطة" على أنها حقائق. ^{[ 17 ]}

ينبغي أن تعكس تطبيقات استخراج البيانات من النصوص الطبية الحيوية، المصممة للاستخدام السريري، احتياجات الأطباء ومتطلباتهم على النحو الأمثل. ^{[ 5 ]} ويُعدّ هذا الأمر بالغ الأهمية في البيئات التي يُتوقع فيها أن يكون دعم القرار السريري دقيقًا وغنيًا بالمعلومات. ويُقدّم ^{[ 18 ]} عرضًا شاملًا لتطوير واعتماد أساليب معالجة اللغة الطبيعية المطبقة على الملاحظات السريرية النصية الحرة المتعلقة بالأمراض المزمنة.

يجب أن تتوافق أنظمة استخراج البيانات النصية الجديدة مع المعايير الحالية والسجلات الطبية الإلكترونية وقواعد البيانات. ^{[ 5 ]} وقد طُوّرت طرق للتفاعل مع الأنظمة السريرية مثل LOINC ^{[ 19 ]} ، ولكنها تتطلب جهودًا تنظيمية مكثفة لتنفيذها وصيانتها. ^{[ 20 ] [ 21 ]}

يجب على أنظمة استخراج النصوص التي تعمل مع البيانات الطبية الخاصة احترام أمنها وضمان إخفاء هوية أصحابها عند الاقتضاء. ^{[ 22 ] [ 23 ] [ 24 ]}

شهدت التطورات في مجال استخراج البيانات من النصوص الطبية الحيوية دمج تحديد الكيانات البيولوجية باستخدام تقنية التعرف على الكيانات المسماة (NER). وقد استُخدمت أسماء ومعرّفات الجزيئات الحيوية، مثل البروتينات والجينات ، ^{[ 25 ]} والمركبات الكيميائية والأدوية، ^{[ 26 ]} وأسماء الأمراض، ^{[ 27 ]} ككيانات. وتعتمد معظم طرق التعرف على الكيانات على خصائص لغوية أو مفردات مُحددة مسبقًا، على الرغم من نجاح الطرق التي تُدمج التعلم العميق وتضمين الكلمات في التعرف على الكيانات المسماة في المجال الطبي الحيوي. ^{[ 28 ] [ 29 ]}

يمكن تصنيف الوثائق الطبية الحيوية أو تجميعها بناءً على محتواها ومواضيعها. في التصنيف، تُحدد فئات الوثائق يدويًا، ^{[ 30 ]} بينما في التجميع، تُشكل الوثائق مجموعات متميزة تعتمد على الخوارزمية. ^{[ 31 ]} تُمثل هاتان المهمتان أساليب التعلم الخاضع للإشراف وغير الخاضع للإشراف على التوالي، ومع ذلك، فإن الهدف من كليهما هو إنتاج مجموعات فرعية من الوثائق بناءً على سماتها المميزة. وقد اعتمدت أساليب تجميع الوثائق الطبية الحيوية على خوارزمية التجميع k -means . ^{[ 31 ]}

تصف الوثائق الطبية الحيوية الروابط بين المفاهيم، سواء أكانت تفاعلات بين الجزيئات الحيوية، أو أحداثًا تحدث تباعًا عبر الزمن (أي العلاقات الزمنية )، أو علاقات سببية . وقد تستخدم أساليب استخراج النصوص تقنية اكتشاف العلاقات لتحديد هذه الروابط، غالبًا بالتزامن مع تقنية التعرف على الكيانات المسماة. ^{[ 32 ]}

تمت معالجة تحدي تحديد العبارات غير المؤكدة أو "المتحوطة" من خلال الكشف عن إشارات التحوط في الأدبيات الطبية الحيوية. ^{[ 17 ]}

طوّر العديد من الباحثين أساليب لتحديد الادعاءات العلمية المحددة من الأدبيات. ^{[ 33 ] [ 34 ]} عمليًا، تتضمن هذه العملية عزل العبارات والجمل التي تدل على الحجج الأساسية التي يطرحها مؤلفو الوثيقة (وهي عملية تُعرف باسم استخراج الحجج ، وتستخدم أدوات في مجالات مثل العلوم السياسية) ومقارنة الادعاءات للعثور على التناقضات المحتملة بينها. ^{[ 34 ]}

استخلاص المعلومات، أو IE ، هو عملية تحديد المعلومات المنظمة تلقائيًا من النصوص غير المنظمة أو شبه المنظمة. قد تشمل عمليات استخلاص المعلومات العديد من الأنشطة المذكورة أعلاه أو جميعها، بما في ذلك التعرف على الكيانات المسماة، واكتشاف العلاقات، وتصنيف المستندات، بهدف عام يتمثل في تحويل النص إلى شكل أكثر تنظيمًا، مثل محتويات قالب أو قاعدة معرفية . في المجال الطبي الحيوي، يُستخدم استخلاص المعلومات لإنشاء روابط بين المفاهيم الموصوفة في النص، مثل: "الجين أ يثبط الجين ب" و "الجين ج متورط في المرض ج". ^{[ 35 ]} عادةً ما تكون قواعد المعرفة الطبية الحيوية التي تحتوي على هذا النوع من المعلومات نتاجًا لعملية تدقيق يدوية مكثفة، لذا يظل استبدال الجهود اليدوية بالأساليب الآلية مجالًا بحثيًا هامًا. ^{[ 36 ] [ 37 ]}

يدعم استخراج النصوص الطبية الحيوية تطبيقات تحديد الوثائق والمفاهيم المطابقة لاستعلامات البحث. تتيح محركات البحث، مثل PubMed، للمستخدمين الاستعلام عن قواعد بيانات الأدبيات باستخدام كلمات أو عبارات موجودة في محتوى الوثائق، أو البيانات الوصفية ، أو الفهارس مثل MeSH . ويمكن استخدام أساليب مماثلة لاسترجاع الأدبيات الطبية . وللحصول على نتائج أكثر دقة، تسمح بعض التطبيقات للمستخدمين بالبحث باستخدام استعلامات اللغة الطبيعية وتحديد العلاقات الطبية الحيوية المحددة. ^{[ 38 ]}

في 16 مارس 2020، أطلقت المكتبة الوطنية للطب وجهات أخرى مجموعة بيانات الأبحاث المفتوحة حول كوفيد-19 (CORD-19) لتمكين استخراج البيانات النصية من الأدبيات الحالية المتعلقة بالفيروس المستجد. تستضيف هذه المجموعة مشروع Semantic Scholar ^{[ 39 ]} التابع لمعهد ألين للذكاء الاصطناعي . ^{[ 40 ]} ومن بين المشاركين الآخرين: جوجل ، ومايكروسوفت للأبحاث ، ومركز الأمن والتكنولوجيا الناشئة ، ومبادرة تشان زوكربيرج . ^{[ 41 ]}

يُبيّن الجدول التالي مجموعة مختارة من مدونات النصوص الطبية الحيوية ومحتوياتها. تشمل هذه المدونات المشروحة، ومصادر الأدبيات البحثية الطبية الحيوية، والموارد المستخدمة بكثرة كمراجع للمفردات و/أو علم الوجود، مثل MeSH . يمكن تنزيل العناصر التي تحمل علامة "نعم" تحت "متاح مجانًا" من موقع متاح للعموم.

طوّرت عدة مجموعات مجموعات من المصطلحات الطبية الحيوية مُرتبطة بمتجهات من الأعداد الحقيقية، تُعرف باسم متجهات الكلمات أو تضمينات الكلمات . ترد مصادر التضمينات المُدرّبة مسبقًا والمُخصصة للمصطلحات الطبية الحيوية في الجدول أدناه. أغلبها ناتج عن نموذج word2vec الذي طوّره ميكولوف وآخرون ^{[ 86 ]} أو نماذج مُعدّلة منه.

تم تطوير طرق لتحديد ارتباط مجموعات الجينات التي تم الحصول عليها من خلال تجارب المصفوفات الدقيقة بالسياق البيولوجي المقدم من الأدبيات ذات الصلة. ^{[ 97 ]}

تم استكشاف الاستخلاص التلقائي لتفاعلات البروتينات ^{[ 98 ]} وربط البروتينات بالمفاهيم الوظيفية (مثل مصطلحات علم الجينات ). وقد طُوّر محرك البحث PIE لتحديد واسترجاع إشارات تفاعلات البروتين-بروتين من المقالات المفهرسة في MEDLINE . ^{[ 99 ]} كما تم تناول استخلاص المعلمات الحركية من النصوص أو الموقع الخلوي الفرعي للبروتينات باستخدام تقنيات استخلاص المعلومات واستخراج النصوص.

يُعدّ تحديد أولويات الجينات باستخدام الحوسبة خطوةً أساسيةً لفهم الأساس الجيني للأمراض، لا سيما في تحليل الارتباط الجيني . تستخلص تقنيات استخراج النصوص وغيرها من الأدوات الحاسوبية المعلومات ذات الصلة، بما في ذلك ارتباطات الجينات بالأمراض، من مصادر بيانات متعددة، ثم تُطبّق خوارزميات تصنيف مختلفة لتحديد أولويات الجينات بناءً على مدى ارتباطها بالمرض المحدد. ^{[ 100 ]} يُمكّن استخراج النصوص وتحديد أولويات الجينات الباحثين من تركيز جهودهم على الجينات الواعدة لإجراء المزيد من البحوث.

لا تزال الأدوات الحاسوبية لتحديد أولويات الجينات قيد التطوير والتحليل. وقد درست إحدى المجموعات أداء تقنيات استخراج النصوص المختلفة لتحديد أولويات جينات الأمراض. وقد بحثوا في مفردات المجال المختلفة، ومخططات تمثيل النصوص، وخوارزميات الترتيب، بهدف إيجاد أفضل نهج لتحديد الجينات المسببة للأمراض ووضع معيار مرجعي . ^{[ 101 ]}

حددت مجموعة من الباحثين في علم الجينوم الزراعي جينات مرتبطة بالصفات التناسلية للأبقار باستخدام تقنيات استخراج النصوص، من بين مناهج أخرى. ^{[ 102 ]}

تعتمد محركات البحث المصممة لاسترجاع الأدبيات الطبية الحيوية ذات الصلة باستعلام المستخدم بشكل متكرر على أساليب استخراج النصوص. تشمل الأدوات المتاحة للعموم والمخصصة للأدبيات البحثية: بحث PubMed ، وبحث Europe PubMed Central ، وGeneView، ^{[ 104 ]} وAPSE ^{[ 105 ].} وبالمثل، تم تطوير محركات بحث وأنظمة فهرسة خاصة بالبيانات الطبية الحيوية، بما في ذلك DataMed ^{[ 106 ]} وOmicsDI. ^{[ 107 ]}

كانت بعض محركات البحث، مثل Essie، ^{[ 108 ]} OncoSearch، ^{[ 109 ]} PubGene ، ^{[ 110 ] [ 111 ]} و GoPubMed ^{[ 112 ]} عامة في السابق ولكن تم إيقافها منذ ذلك الحين، أو أصبحت قديمة، أو تم دمجها في منتجات تجارية.

يقوم الطاقم الطبي بجمع السجلات الطبية الإلكترونية (EMRs) والسجلات الصحية الإلكترونية (EHRs) أثناء التشخيص والعلاج. ورغم أن هذه السجلات تتضمن عادةً مكونات منظمة بتنسيقات وأنواع بيانات محددة، إلا أن بقية التقارير غالبًا ما تكون نصوصًا حرة يصعب البحث فيها، مما يُسبب تحديات في رعاية المرضى. ^{[ 113 ]} وقد طُوّرت العديد من الأنظمة والأدوات المتكاملة لتحليل هذه النصوص الحرة. ^{[ 114 ]} طُوّر نظام MedLEE في الأصل لتحليل تقارير الأشعة السينية للصدر ، ثم وُسّع لاحقًا ليشمل مواضيع أخرى في التقارير. ^{[ 115 ]} يقوم نظام تحليل النصوص السريرية واستخلاص المعرفة (cTAKES ) بتصنيف النصوص السريرية باستخدام قاموس للمفاهيم. ^{[ 116 ]} يوفر نظام CLAMP وظائف مماثلة بواجهة سهلة الاستخدام. ^{[ 117 ]}

طُوِّرت أُطر حاسوبية لبناء أدوات بسرعة لمهام استخراج البيانات من النصوص الطبية الحيوية. يُعدّ SwellShark ^{[ 118 ]} إطار عمل للتعرف على الكيانات المسمّاة في المجال الطبي الحيوي، وهو لا يتطلب بيانات مُصنَّفة يدويًا، ولكنه يستفيد من موارد الإشراف المحدود (مثل أنواع UMLS الدلالية). أما إطار عمل SparkText ^{[ 119 ]} فيستخدم تدفق بيانات Apache Spark ، وقاعدة بيانات NoSQL ، وأساليب التعلّم الآلي الأساسية لبناء نماذج تنبؤية من المقالات العلمية.

تتوفر بعض أدوات استخراج النصوص الطبية الحيوية ومعالجة اللغة الطبيعية من خلال واجهات برمجة التطبيقات (APIs) . يقوم برنامج NOBLE Coder بالتعرف على المفاهيم من خلال واجهة برمجة تطبيقات. ^{[ 120 ]}