药物相互作用本体论和机器学习：自动提取DDI信息及评估证据类型的研究

基于药物相互作用本体论和机器学习1，Richard D. Boyce2，Mathias Brochhausen3，Joseph Utecht3，Jodi Schneider11.伊利诺伊大学厄巴纳-香槟分校，2。匹兹堡大学，3。阿肯色大学医学院介绍虽然药物相互作用（DDI）是导致至少一种联合给药药物的反应发生具有临床意义的变化的生物学过程，但潜在DDI是基于数据或数据外推的关于DDI潜在性的信息实体（DIDEO Ontology 2014）。潜在DDI的知识对于临床医生做出安全的医疗决策非常重要。然而，对于临床医生来说，跟上关于DDI的新知识是具有挑战性的，因为每年以各种形式发表大量关于DDI的新研究，包括期刊文章和药物标签（Schnei-der et al. 2015年）的报告。从生物医学文档的叙述性文本、表格和图形中自动提取DDI信息主要侧重于提取DDI“事实”声明，但准确性仍然有限（Demner-Fushman等人，2018; Miloševi等人，2016; Segura-Bedmar等人，2013）。机器应该提取和构建知识，目的是让人类更容易综合和评估支持DDI主张的证据。我们建议将机器学习与DDI话语域的正式表示相结合，以帮助人类创作和评估DDI的证据。迄今为止，很少有人关注使用自动提取来减轻认知负担，目前在DDI研究中确定证据类型的做法是由专家手动阅读研究。我们的灵感来自于科学家社区先前对计算机支持的前瞻性知识捕获的工作（Clark，Ciccarese和Goble 2014）。更具体地说，我们使用本体作为机器学习系统的基础，帮助用户根据其特征识别DDI研究的证据类型。版权归作者所有以. 马丁，K.Hinkelmann，A.戈伯，D. Lenat，F. van Harmelen，P. Clark（Eds.），AAAI 2019春季研讨会将机器学习与知识工程相结合（AAAI-MAKE 2019）。斯坦福大学，帕洛阿尔托，加利福尼亚州，美国，2019年3月25日至27日。方法重用DIDEO本体本体包含DDI研究的40多种证据类型（Utecht et al.2017年）;摘录见图1.这些是根据DDI研究相关的证据项创建的（Boyce等人，2009）。DIDEO使用DIDEO中定义的术语或从其他本体导入的术语为每个证据类型指定必要和充分条件。构建分层多类分类器分层多类分类器的实现包括下面进一步描述的两个基本步骤：(1)准备数据;（2）开发和评估分类器。步骤1：准备数据数据准备包括数据采集、数据标注和数据预处理三个主要步骤。我们首先使用现有数据集，该数据集包含189篇独特的DDI论文，这些论文由专家（RB）部分注释 ， 并 使 用 先 前 研 究 期 间 分 配 的 证 据 类 型 标 签（Schneider等人，2015）。并非数据集中的所有论文都有证据类型标签。因此，我们创建了一个注释指南，并让专家进一步注释这些论文，从而形成了证据类型标签的手动金标准。该系统的开发人员（LH）还观察了专家的注释过程，以识别可用于训练分类器的相关文本。我们通过PubMed API自动收集研究的元数据，包括标题、摘要。我们还手动收集了这些论文的全文PDF，并自动将其转换为纯文本。图1步骤2：开发和评估分类器我们提取并用于开发分类器的特征是从标题、摘要和方法部分中提取的二元组，以及MetaMap检测到的标题和摘要中的药物实体（Aronson 2001）。这利用了我们在注释过程中的观察结果，即专家通常在方法部分找到确定DDI证据类型的信息。数据集中的所有论文都用于训练和测试顶级子分类器。来自顶层分类器的数据集的子集用于训练和测试下一级子分类器。重复这个过程，直到所有的论文都给出了最终的证据类型预测。所有子分类器都使用交叉验证（5倍）进行训练和测试。然后使用不同的评估指标评估子分类器，包括：准确度，精度，重新调用和F1分数。图2 -结论和今后的工作我们建议将机器学习和知识表示相结合，以促进评估DDI 研 究 证 据 的 过 程 。 利 用 现 有 的 证 据 类 型 本 体DIDEO，我们正在构建一个分层多类分类器，对DDI研究的证据类型进行分类。新分类器的主要目的是使DDI领域专家更容易评估潜在DDI的全部证据。关键的见解是从一个分类器集合中构建证据类型分类器，这些分类器基于本体的必要和充分公理来评估研究的较低级别特征。这 是 一 个 正 在 进 行 的 项 目 ， 我 们 计 划 扩 展 到 广 告DIDEO证据类型。将来，关于DDI的研究可以通过这个分类系统进行，预测结果最终将有助于证据审查人员评估证据项目。更直接的目标将是验证证据类型定义，在本体中，并建议额外的（可能更细粒度的）证据类型。确认美国国立卫生研究院R01LM011838、T15LM007059、R01LM010817支持。感谢Nigel Bosch对机器学习方法的讨论。引用Aronson，A.R. 2001.生物医学文本到UMLS元词库的有效映射：MetaMap程序。美国医学信息学协会年度研讨会论文集，17 - 21。Bethesda，MD：AMIA。博伊斯，R. D.，柯林斯角，Horn，J.，卡莱特岛2009.证据计算第一部分：面向置信度分配的药物机制证据分类法。生物医学信息杂志42（6）：979-89。Brochhausen，M.，Schneider，J.，Malone，D.，Empey，E.P.，何根，W。R.，Boyce，R. D. 2014.建立潜在药物相互作用知识的基础代表。第一届药物相互作用知识表示国际研讨会的筹备工作，16-31。亚琛，德国：CEUR-WS.克 拉 克 ， T. ， Ciccarese ， P. N. ， 和 Goble ， C. A. 2014.Microclassifications：a Semantic Model for Claims，Evidence，Arguments and Annotations in Biomedical Communications.Journal of Biomedical Semantics5（1）：28-61.Demner-Fushman，D.，Tonning，J.M.，Fung，K. W.，做，P.，博伊斯河D、和Roberts，K. 2018.不良反应和药物相互作用提取跟踪在文本分析会议（TAC）。美国医学信息学协会年度研讨会论文集，1673-1674。Be-thesda，MD：AMIA。DIDEO -潜在药物相互作用和潜在药物相互作用证据本体论。http://www.ontobee.org/ontology/DIDEOMilošević，N.，Gupta ，A. ，Chen ，A.，DeMarco ，S.T. ，Le，J.，Schneider，J.，Ning，Y.，Nenadić，G.，和Boyce，R. D. 2017.从制剂标签表中提取药物相互作用。在2017年临床研 究 信 息 学 峰 会 的 会 议 记 录 中 ， 436 。 Bethesda ， MD ：AMIA。塞古拉-贝德马岛Martnez，P.，Zazo，M.H. 2013. Semeval-2013任务9：从生物医学文本中提取药物相互作用。在第七届语义评估国际研讨会的会议记录中，341-350。Stroudsburg，PA：ACL.Schneider，J.，Brochhausen，M.，Rosko，S.，Ciccarese，P.，霍根，W. R.，Malone，D.，Ning，Y.，克拉克，T.，和Boyce，R. D.2015.形成关于潜在药物相互作用的知识和证据。生物医学数据挖掘、建模和语义集成国际研讨会论文集。Aa-chen，Germany：CEUR-WS.Utecht，J.，Brochhausen，M.，Judkins，J.，Schneider，J.，博伊斯河D.正式确定药物相互作用研究的证据类型定义，以改善循证医学，MEDINFO 2017：通过信息学实现精准医疗，960-964。北京：清华大学出版社.