乳腺癌医学专家系统的患者症状提取过程：语义网和自然语言解析方法

可在www.sciencedirect.com在线获取ScienceDirectFutureComputing and Informatics Journal 3（2018）72e81http://www.journals.elsevier.com/future-computing-and-informatics-journal/乳腺癌医学专家系统的患者症状提取过程：语义网和自然语言解析方法O.N. Oyeladea，*，A.A.Obiniyia，S.B.Junaidua，S.A.阿德乌依Ba尼日利亚扎里亚，艾哈迈杜·贝洛大学，物理科学系，计算机科学b尼日利亚扎里亚艾哈迈杜贝洛大学放射治疗肿瘤学系接收日期2017年6月22日;修订日期2017年10月16日;接受日期2017年11月26日2017年12月21日在线发布摘要临床医生在诊断程序期间从患者收集信息有时可能需要一些技能来充分收集将足以用于程序的所需信息。当诊断决策支持系统（DDSS）必须在执行诊断程序之前从患者收集这种信息时，这种信息收集可能证明是困难的。研究已经证明，确保用户或患者输入以其原始形式映射到诊断任务的可接受医学术语列表中更具挑战性因此，本文提出了一种形式化的输入生成模型，通过创建一个推理过程，乳腺癌词典，规则集和自然语言处理（NLP）来解决这个缺点。我们开发了一个输入生成算法，它在第一次过滤和生成第一个预输入集合时使用了Python的自然语言处理能力。此外，该算法然后将预输入单词集合作为输入馈送到推理引擎中，推理引擎在其存储器中具有规则集和开发的基于本体的词典。最后，这生成将被发送到医学专家系统或DDSS中用于诊断乳腺癌的可接受令牌的列表。该模型在作者早期设计的基于乳腺癌的DDSS上进行了测试，结果表明，与患者的输入作为输入发送时相比，该模型的推理支持生成约64%的额外输入© 2017埃及未来大学计算机与信息技术学院由爱思唯尔公司制作和主持这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：医学术语;语义网;自然语言处理;规则集;推理;启发式1. 介绍人们一直在努力缩小计算机和人类理解之间的差距。人工智能，语义网和自然语言处理领域是主要的影响技术，为弥合这一差距提供了技术[1，11]。这是必要的，因为语义网、智能或专家系统的发展取得了进展，这些系统能够与*通讯作者。电 子 邮 件 地 址 ： olaide_oyelade@yahoo.com （ O.N.Oyelade ） 、aaobiniyi@yahoo.com（A.A.Obiniyi），abuyusra@gmail.com（S.B.Junaidu），sadewuyi2003@yahoo.com（S.A. Adewyi）。同行审查，由埃及未来大学计算机和信息技术系负责。让机器理解人类的观点[2，12]。然而，它已被观察到，一个受损的输入到这样的专家系统将产生负面影响的推理，以及系统的结果。因此，当使用NLP时，一个有效的模型将缩小这一差距，因为NLP具有生成意义和向原始文本添加缺失单词的潜力[3]。与此同时，自然语言处理将有效地提供人机交互[4，5]，大大减少计算机理解人类输入的挑战。但是，可能已经开发了不同的DDSS。然而，充分解析用户的自然语言输入的问题几乎没有被强调，因为它增加了DDSS将这些用户的输入映射到医学上可接受的术语集的成本[6，7]。我们注意到，当必要的输入e时，患者e的症状和观察到的体征不https://doi.org/10.1016/j.fcij.2017.11.0032314-7288/© 2017埃及未来大学计算机与信息技术学院由爱思唯尔公司制作和主持这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。O.N. Oyelade等人/Future Computing and Informatics Journal 3（2018）72e 8173发送到DDSS中，它肯定会影响诊断的准确性，最有可能使假阳性诊断被假定为真阳性。在本文中，我们提出了一个形式化的输入模型，用于生成一个医学上可接受的术语或令牌的列表，这些术语或令牌将被传递到DDSS中，作为一组支持诊断过程的所需输入。我们的方法是使用一个词汇模式后的临床指南或协议的域的考虑。这个词典是由一个使用规则集的推理引擎编写的。同时，首先使用自然语言解析器，也是两个解析器，过滤用户/患者发送的原始文本。2. 相关工作开发了数据库自然语言网络接口（NLWIDB）。参考文献[4]，NLWIDB允许用户通过Internet上的友好界面以更像英语的语言查询数据库[5]。使用cTAKES解析几个患者记录，以识别与患者疾病和症状相关的概念。通过这样做，他们表明，修饰语组合需要与笔记部分一起使用，以捕捉笔记时患者的真实情况此外，参考文献[8]设计了一种使用XML的模型，该模型提供了对患者报告中的临床信息的访问，用于广泛的临床应用，并使用自然语言处理实现了一种自动化方法，该方法将文本报告映射到与模型一致的表格。此外，参考文献还提出了利用分类器获取疾病名称的方法和利用自然语言处理模式获取疾病相关信息的方法。[2，9]在他们的工作中比较了NLP的一些使用形式。这些是使用MetaMap Transfer（MMTx）与否定检测算法（NegEx），另一个是使用本地开发的NLP应用程序的Alpha版本，称为MPLUS2，最后一个使用关键字搜索。HITEX（Health Information Text Extraction，健康信息文本提取）是建立在Gate框架之上，以Gate为平台的自然语言处理（NLP）软件应用程序，通过将插件组装成流水线来应用程序，以及其他标准的NLP插件。解决医疗领域的问题，如主要诊断提取，出院药物提取等[10]。MIDAS是一种基于NLP的方法，是一种专家系统，能够根据先前诊断患者的临床病史进行信息提取和机器学习，从放射学/临床患者记录中建议医疗诊断[13]。LifeCode NLP引擎使用大量的专家阅读器，其特定输出在不同级别上组合，以形成患者的医疗状况，治疗过程和处置的综合图片[14]。这项[15]研究试图找出多发性硬化症MS患者是否可以在他们的医疗保健提供者最初识别之前从他们的临床记录中识别出来。使用朴素贝叶斯分类法将患者分类为MS或非MS。3. 形式化输入模型：将患者输入映射为可接受的医学术语回想一下，本文的主要目的是确保允许患者以开放式模式将其输入到系统中，然后所提出的形式化模型将输入映射到可接受的症状列表中。图1是实现这种映射技术的机制。下面是模型的组件列表，简要描述每个组件的功能。3.1. 用于将用户输入映射为可接受术语图的组件。 1在此列出如下：a患者输入框：这是一个基于文本的输入图形用户界面（GUI）。它使用户能够在他们的症状类型在简要的形式。这个输入被传递到模型的下一个阶段，即自然语言解析器。b自然语言（NL）解析器：在这项研究中，自然语言工具包（NLTK）是一个用于自然语言处理的开源Python库（Bird等人，2009年）。Fig. 1.患者的输入解析模型。74O.N. Oyelade等人/Future Computing and Informatics Journal 3（2018）72e 81图二、将患者理解的患者描述性术语映射到定义明确的症状实体的数据流本研究利用其有效解析自然语言的能力，结合其使用WordNet的能力。该工具包将用于单词标记化和其他必要的自然语言操作，这些操作将对该模型有用。c启发式：这是用来解决消除用户输入的歧义问题的一种手段，也用来为词典数据库准备输入。第一个启发式是1（同义词映射程序）。一旦NLTK通过生成有用的单词完成了必要的解析，这个启发式1就与词典数据库一起收集传递给它的单词的所有同义词。然后仔细选择这些单词，因为它们可以在使用的上下文中互换。启发式2，也称为同音异义词映射器，也收集所有与当前单词相关的单词，这些单词的拼写和发音相同，但对用户和实现的框架可能意味着不同的东西。这种启发式也适用于词典数据库。一旦收集了两个语义分析的输出，然后将其发送到推理模型中，该模型将这些单词直接映射到框架操作域中使用的预期术语。请注意，为了准确性，用户可以促使批准一些结论映射这个模型。d推理模型：这包括推理引擎和语义词典（本体分类法/叙词表），以及映射规则。当向推理引擎提供语义词典和映射规则时，推理引擎生成在框架中使用可接受的术语。第3.2节详细说明并解释了这些语义词典和映射规则。e自然语言词汇数据库（WordNet）：如（c）段所述，在映射过程中将使用英语词汇数据库。图2示出了当模型的输出（由患者或用户输入的症状列表）作为临床推理过程的输入被馈送到框架中时，为了给出该模型的骨架实现，编写了一个算法来演示所有这些组件在用户实现实例上工作时如何交互。算法1概述了用于实现将用户输入映射到癌症领域的可接受的医学术语的步骤，其中乳腺癌作为本研究的焦点O.N. Oyelade等人/Future Computing and Informatics Journal 3（2018）72e 8175算法1. 将用户输入映射为可接受的术语。第1行和第5行列出了将在伪代码体中使用的变量。虽然第6行和第8行进行了一些基本的初始化，但从算法中可以明显看出，第10行和第18行循环通过标记化的单词，以便将它们发送到语法、英语词典数据库和推理模型。注意，变量psynonyms和phomo- nyms临时存储了两个语法分析的结果在最终将它们发送到语义输入标记/可接受术语存储器之前。在说明了这一点之后，下一节将考虑完整的算法以及该模型在其中的位置。算法1的第11和12行肯定是由算法2中的python代码片段实现的。诊断应用程序将用户输入记录在一个文件中，供算法2中的Python片段读取。用户输入被读入，停用词被过滤掉，剩下的词被词形化。然后，为词形化后的词生成同义词和下义词这些集合在结构上存储在算法1的第12和13行中。此外，算法1的第15和16行使用图1所示的乳腺癌词典。 3，被建模为专家知识库（假设为肿瘤学家的知识和经验）以协调算法2的集合。图三.乳腺癌的治疗方法76O.N. Oyelade等人/Future Computing and Informatics Journal 3（2018）72e 81算法2. Python实现的用户输入过滤。算法3. Python实现图如图所示。 五、注意，一些用户定义的函数是从算法2的python片段中调用的;因此，算法3列出了用户定义函数的实现3.2. 输入模型词典、推理过程和推理规则美国国家癌症研究所（NCI）维护癌症词库已有一段时间。在进行这项研究时，下载并研究了这本词库。本文档使用OWL DL建模，大小约为320 MB。对这个词库的发现表明，它结合了所有形式的癌症，以及癌症中所有可能的概念。然而，这项研究发现，它太通用和大的考虑在实施过程中。因此，本研究遵循乳腺癌的临床方案，并在教学医院的肿瘤学家的支持下，相当大的同义词词典。图3显示了本研究期间开发的同义词/词典。该领域的关键词以分层模式列出，显示它们在其应用领域（乳腺癌）中的关系。这个术语或词典是使用Pro t'eg'e3.8制作的。导致图3中累积的条目是通过收集诊断、治疗和处理乳腺癌的标准程序从前面提到的来源中整理出来的。本研究的知识工程阶段遵循了参考文献[1]的本体论创建方法。[16]第10段。本研究所采用的推理过程主要是基于规则的方法，这与以绘制分类树和回归树为特征的决策树方法略有不同。回想一下，第3.1节中描述的输入模型旨在将用户/患者输入与医学领域可接受的输入进行O.N. Oyelade等人/Future Computing and Informatics Journal 3（2018）72e 8177图四、用于实现规则1、乳腺癌词典、python文件和输入生成的Java代码段图五、将用户输入翻译为可接受的医学术语。这个研究所关注的。因此，为信息生成启用的另一个微妙的推理过程是连贯结构化本体中固有的推理能力。本体中的推理是通过关系（例如，是-a或包容和属性关系）以及通过使用诸如Pellet和Hermit的推理机来实现的。此外，分类原则，除了包容原则之外，也是一种概括和推断新事实的手段。因此，本文利用以下原则的分类和包容在构建其本体推理支持。a. 包含原则或继承原则：如果S是P的子元素，则P的所有属性也是S的属性。b. 分类原则：每个层次结构必须有一个根;每个类（除了根）必须至少有一个父类;每个类的定义必须与其他类不同。例 如 ， 图 3 中 的 类 ClinicalFeatures 包 括 类 Signs 、Symptoms和ClinicalInvestigation。因此，根据包含规则，当选择ClinicalFeatures作为用户输入时，逻辑过程推断用户可能希望提供ClinicalFeatures包含的项目作为输入。因此，这种推理增加了输入的大小。现在，在症状类下，让我们假设用户输入如图3所示的乳房肿块，我们的输入生成系统如何推理，如果乳房肿块作为症状存在，那么通过医学推理，症状疼痛也可能表现出来？ 这个问题将由本节随后讨论的基于规则的推理来回答。同样，体征、症状和临床检查这三个类别共享相同的根临床特征，因为它们被包含在其中。另一方面，我们提出了我们的基于规则的方法的推理过程。基于与肿瘤学家（其中一位是第四作者）的互动，本研究根据肿瘤学家收集患者信息的方法制定了一套规则。由规则1定义的推断过程假设用户/患者可以直接或间接地提供关于感觉到的症状和暴露于的风险因素的输入。为什么（例如，为什么一些症状会出现，或者什么可能被错误地放置，使一些特定的症状出现？）回答的问题有助于建立这套规则78O.N. Oyelade等人/Future Computing and Informatics Journal 3（2018）72e 81第1条.输入生成中推理过程的规则集。1症状（？s）^ integer[>= 30，= 65]（？年龄）^风险（？年龄，？s）=>InferedSymptom（？个）2家族史（？h）^症状（？s）^causes（？h，？s）=> InferedSymptom（？个）3性别（？g）^swrlb：等于（？g，女性）^症状（？s）^risks（？g，？s）=>InferedSymptom（？个）4环境（？e）^症状（？s）^causes（？e，？s）=> InferedSymptom（？个）5避孕史（？l）^症状（？s）^risks（？我，？s）=> InferedSymptom（？个）6激素替代疗法（？hr）^症状（？s）^casuses（？hr，？s）=>InferedSymptom（？个）规则1由其集合中的五（6）条规则组成。该规则集的目的是丰富和支持由先前描述的本体的先前推理过程生成的输入或值。第1行的第一条规则显示，如果患者的年龄差距在30至 65岁之间，则所有与该年龄组患者相关的乳腺癌症状。此外，在第2行，以确保指向患者病史的所有症状也被视为推断症状。此外，99%的乳腺癌患者是女性，因此与女性乳腺癌患者相关的症状然后被加到第3行的推断症状列表中。第4行指出，现在必须将影响暴露于能够导致细胞突变的特定环境影响的患者的症状添加为InferedSymptom类的实例。错误使用避孕药也是我们收集到的乳腺癌的一个风险因素，因此第5行只是检查患者是否存在这种情况，然后列出词汇中与此风险因素相关的所有症状。最后，第6行是检查患者暴露于作为风险因素的激素替代的规则，如果发现，则将患者定位为具有在词典中列出的与该风险因素相关的症状。查看规则（RHS）的右手侧，我们将观察到规则1e 6中的症状的结果列表被分类为称为InferedSymptom的另一类的实例。在规则集1中的每个规则中，左手侧（LHS）是在执行RHS之前必须首先满足的条件，并且所使用的规则语言的语法是语义网规则语言（SWRL）的语法。使用pellet API，使用Java编程语言实现规则1中的规则集。应用程序读取图3中的词典，命令pellet依次执行规则，然后将检索到的结果存储为已在底层本体中建模的类InferedSymptom的实例或成员。因此，与图3中的词典组合的规则集形成图1中呈现的模型的知识表示。在下一节中，我们将介绍模型的实现以及该模型在诊断乳腺癌患者中的结果。4. 实施和结果讨论再次，本文的目的是为医学专家系统诊断输入生成的不足、不准确和大多数开放式的局限性提供解决方案流程.本研究特别提出将此功能加入到一个以选择与测试（ST）算法为基础的乳腺癌诊断专家系统中。虽然[6]已经实现了ST用于诊断某些一般疾病，但本文作者在参考文献[17]中修改了ST算法，以提高其近似性或准确性。[17e19]的这项工作被称为用于诊断乳腺癌的增强ST算法，而[6]的工作被称为现有ST算法。在参考文献[6]中，没有自动化的设施来收集输入到算法中现在，本文所采取的方法在建设这样的设施是实现算法1与Java。回想一下，Algorithm本身对一些Python文件有一些函数调用，如前所述。图因此，图4是连接到图3中的词典的Java片段，执行python文件，初始化类以启动执行规则1的pellet，最后生成并显示参考文献中描述的医学上可接受的算法输入。[17e19]。由于本文的结果作为参考文献[17]中系统的输入，因此我们在本文中给出了[17]到目前为止，设计并提出了一种用于以开放式模式收集用户/患者输入的算法（算法1）;该算法首先通过Python应用程序过滤并生成单词或术语的集合;然后将这些术语与乳腺癌中医学上可接受的术语的数据库（乳腺癌词典）进行匹配。因此，到目前为止，我们已经创建了一个输入模型，该模型智能地将用户/患者松散或不专业的输入映射到参考文献[17]中描述的增强ST应用程序将收集的医学或肿瘤术语列表中，作为诊断乳腺癌患者的输入。图5中可见三个主要文本容器：提示窗口、用户/患者响应窗口和生成的输入窗口的结果。参考文献[17]中描述的系统提示应用程序用户一系列问题，有助于收集用户/患者的输入。用户对这些提示的响应在算法1中提交给python应用程序。在第3节中作为参考文献[17]中的乳腺癌诊断系统的输入描述的算法1的结果被显示为图5的最右侧框中的单词列表项。我们在此注意到，该列表生成的输入或医学上可接受的词/术语是从图3中描述的词典中整理出来的，图3是与第四作者一起开发的乳腺癌词典。O.N. Oyelade等人/Future Computing and Informatics Journal 3（2018）72e 8179同时，算法2中所示的Python代码片段的单词集合预计会有一些单词重复。回想一下，算法2的这些整理的单词和由规则1的实现生成的最终单词列表将具有重复的一些单词，这是因为键入输入的用户进行了潜在的强调（通过重复语句或单词）。因此，图6是在进行输入时由特定用户（参考文献[17]单词的重复以单词的出现频率（在图6的最右边的图的y轴上）相对于出现的单词（在图6的最右边的图的x轴上）的形式被绘制。（六）。查看倾斜的词频图;可以观察到一些单词出现的频率为60，55和49次，而有些词的频率低于10.另一方面，图6最左边的图仅给出了由算法生成的词/项的累积效果。这意味着为该特定用户/患者的响应生成了约600个单词（作为参考文献[17]中所述应用程序的输入）。频率（f）表示输入症状的权重，累计词表示感觉到的症状的密度（d因此，公式为：患者描述的疾病严重程度（i）¼f/d算法4显示了图1所示结果的Python实现。第 六章算法4. Python实现图如图所示。 五、图第六章用户可接受术语的图形表示频率80O.N. Oyelade等人/Future Computing and Informatics Journal 3（2018）72e 81表1与现有ST算法相比，输入模型对增强ST的影响输入类型ST算法参考[6]美国参考文献[17]的增强ST算法诊断结果输入计数诊断结果输入计数原始用户输入无效诊断过程：失败0个项目诊断过程的结果为乳腺癌输入数量：34项推断病人的问题癌症，3B推理后输入79个项目预处理的用户输入诊断过程的结果是：10项诊断过程的结果为乳腺癌输入数量：34项（使用正式输入模型）乳腺癌癌症，3B推理后输入79个项目表2现有和增强ST算法的输入和推断输入不使用形式化输入模型输入[6]乳房肿胀、乳头退缩、乳房疼痛、乳房肿块、乳头溢液、乳头增厚、乳头发红、体积增大、虚弱和出血使用形式化输入模型输入[17]浸润性小叶，绝经年龄，淋巴结，月经初潮时肿胀，水肿，表面，IV期转移，年龄，肿块，乳头退缩，对称，老年患者，黄疸，临床分期检查，末次生育年龄，末次月经年龄，全身检查，职业，局部淋巴结，组织学，软硬一致性，双侧，乳腺癌，咳嗽，大小，乳房检查，症状，产次，乳房肿块，脱水，婚姻状况，一级亲属关系，III期延伸至淋巴结，一度关系、全身无力、器官外II期、乳头发红、疼痛、患者、苍白、基线、IV期转移、多次产次、I期器官、II期器官外、吸烟、卵巢癌、乳房肿胀、乳房肿胀、避孕或激素替代治疗史、固定或活动、III期延伸至淋巴结、患者性别、乳头退缩或偏离、同调、产次、乳头溢液、乳头增厚、呼吸困难、苍白、个人数据、尺寸增大、二度关系、浸润性导管、器官外II期、孤立或多发，乳腺和卵巢，酒精消耗，I期器官，酒精患者，乳头退缩或偏离，初潮年龄，首次活产年龄，麦芽融合，性别女性，家族史，浸润性导管另一方面，为了显示所提出的形式化输入模型所产生的不同影响，表1显示了所提出的形式化输入模型的影响。我们注意到，在Ref.[17]是改进ST算法与[6]的实现和比较。因此，当这种形式化的输入模型在参考文献中被禁用时。[6]，结果显示为假阳性。然而，当本文提出的形式化输入模型用于诊断参考文献[17]中的乳腺癌时，结果是真正的阳性诊断。这是由于输入系统的近似。表2显示了不同条件下的两组用户输入。5. 结论总之，它已被证明，本文中提出的形式化输入模型将提供支持，生成可接受的医疗术语或令牌作为医疗诊断系统的输入。在参考文献[17]中的乳腺癌诊断系统上测试了用于向决策支持系统（医学专家系统）提供正则化输入的这种形式化输入模型。我们的方法采用自然语言解析器，精心制作的规则集，基于域的词典和推理引擎的使用。结果表明，该模型产生了64%的改善，比一个模型，接受未经处理的输入从病人/用户。对该模型的改进可以考虑使用机器学习算法在增强这个形式化的输入模型的功能。引用[1] 弗里德曼角第15章病历的语义文本解析。医学信息学信息系统综合丛书第8卷。纽约，10027：生物医学信息学系，哥伦比亚大学，纽约; 2005。p. 423和48。[2] Meystre SM，Haug PJ.比较自然语言处理工具从叙述文本中提取医疗问题。见：AMIA 2005Symposium Proceedings。犹他州盐湖城：犹他大学医学信息系; 2005年。p. 525E 9.[3] Liao KP ， Cai T ， Savova GK ， Murphy SN ， Karlson EW ，Ananthakrishnan AN ， et al. Development of phenotype algorithmsusing electronic medical records and incorporating natural languageprocessing.BMJBrMedJ2015;350 （ 1 ） ： h1885 。https://doi.org/10.1136/bmj.h1885网站。[4] Alexander R，Rukshan P，Mahesan S.数据库的自然语言网络接口（ NLWIDB ） 。 见 ： 第 三 届 国 际 研 讨 会 论 文 集 。 Oluvil ， SriLanka：SEUSL; July 2013.p. 6e 7。[5] 杨伟，杨伟华.临床和翻译研究中的自然语言处理：整合不同音符类型的上下文相关修饰语组合。纽约，美国：生物医学信息学系，哥伦比亚大学，纽约; 2016年。[6] Fernando I，Henskens FA. 用于医学诊断推理的ST算法。R. 23.Polibits2013;48：23e 9.[7] Spyns P.医学中的自然语言处理：概述。方法与基础医学1996;35（4/5）：285e 301.[8] 李文，李文.使用自然语言处理和可扩展标记语言表示患者报告中的信息。 美国医学信息杂志1999;6（1）：76e 87.O.N. Oyelade等人/Future Computing and Informatics Journal 3（2018）72e 8181[9] Dhole G，Uke N.基于NLP的医学信息检索用于人类疾病的诊断。Int J Renew Energy Technol 2014;03（10）：243e 8. eISSN ：23191163 j pISSN：2321 7308。[10] HiTEx。检索自：https://www.i2b2.org/software/projects/hitex/hitex_manual.html;2017。2017年6月15日[11] 作者：DavidC. 弥合人类之间的差距语言和面向计算机的表示。Int J Inf Theor Appl2006;12：111e 8.[12] 杜普雷兹河分类学，大众分类学，本体论？它们是什么以及它们如何支持信息检索？ASAIB会议2014;（2014）。[13] Sotelsek-Ma rgalefy A，Villena-Ro m'anJ.MIDAS：一种医学文本分类的信息抽取方法. Procesamiento dellenguaje Natural 2008;41：97e104.[14] Jennings MA ， Morris CW ， Morsch AEW ， Heinze DT ， MorschLM ， Sheffer RE ， et al. LifeCode - a natural language processingsystem formedical coding and data mining. 2000年，我的世界[15] ChaseSH，Mitrani RL，Lu GG，Fulgieri DJ. 利用电子健康报告的自然语言处理早期识别多发性硬化症。 BMC Med Inf Decis Mak2017;17（24）：1e 8.[16] 亚历山大CY。生物医学本体论方法。J Biomed Inf 2016;39（3）：252e 66。[17] Oyelade ON，Obiniyi AA，Junaidu SB.医学诊断推理：基于语义网的知识框架，使用ST算法诊断乳腺癌。在J Artif Intell Med 2017中审查的论文。[18] Oyelade ON ， Obiniyi AA ， Kana AFD ， Junaidu SB. A ModifiedSelect and Test（ST）Algorithm for Medical Diagnosis in an Ad-HocNetwork Environment. 已 被 接 受 作 为 会 议 论 文 集 发 表 在 IEEEECOWCON 2017上。2017年11月7日和 9日;2017年。[19] Oyelade ON，Obiniyi AA，Junaidu SB.基于本体的乳腺癌诊断知识框架。第13届尼日利亚计算机学会国际会议论文集（NCS），卷。28; 2017.