The Semantic Indexing of French Biomedical Data Resources project proposes to investigate the scientific and technical challenges in building ontology-based services to leverage biomedical ontologies and terminologies in indexing, mining and retrieval of French biomedical data.
Hoy en d´ıa la gran cantidad de datos disponibles
en l´ınea suele componerse de texto no
estructurado, por ejemplo reportes cl´ınicos,
informes de reportes adversos, historiales cl´ınicos
electro´nicos
Los te´rminos relevantes son u´tiles para obtener
una mayor comprensio´n de la estructura
conceptual de un dominio. Estos pueden ser:
(i) te´rminos de una sola palabra (sencillo a
extraer), o (ii) te´rminos de varias palabras (dif´ıcil).
En el a´mbito biome´dico, hay una gran
diferencia entre los recursos existentes (ontolog´ıas) en
ingle´s y france´s. En Ingle´s hay cerca de 7 000 000
de te´rminos asociados a 6 000 000 de conceptos,
tales como los de UMLS1 o BioPortal
El art´ıculo es organizado como sigue. Primero discutimos sobre la sobre la metodolog´ıa puesta en marcha para este proyecto en la Seccio´n 2. La evaluacio´n de la precisio´n es presentada en la Seccio´n 3 seguida de las conclusiones en la Seccio´n 4. 2
Nuestro trabajo se divide en dos procesos principales: (i) la extraccio´n de te´rminos biome´dicos, y (ii) el enriquecimiento de ontolog´ıas, explicados a continuacio´n. 2.1
La extraccio´n de te´rminos es una tarea esencial
en la adquisicio´n de conocimiento de un dominio.
En este trabajo presentamos las medidas creadas
para este objetivo. Medidas que se basan en
varios criterios como lingu¨´ıstico, estad´ıstico, grafos
y web para mejorar el resultado de extraccio´n
de te´rminos biome´dicos. Las medidas
presentadas a continuacio´n son puestas a disposicio´n de
la comunidad, bajo la aplicacio´n llamada
BIOTEX
Estas te´cnicas intentan recuperar te´rminos gracias
a la formacio´n de patrones. La idea principal es
la construccio´n de reglas para describir las
estructuras de los te´rminos de un dominio
mediante el uso de caracter´ısticas ortogra´ficas, le´xicas
o morfo-sinta´cticas. La idea principal es la
construccio´n de reglas, normalmente de forma
manual, que describen las estructuras comunes de
te´rminos para ciertos campos. En muchos
casos tambie´n, diccionarios conteniendo te´rminos
te´cnicos (e.g., prefijos, sufijos y acro´nimos
espec´ıficos) son usados para ayudar a extraer
te´rminos
Las te´cnicas estad´ısticas se basan en la
evidencia presentada en el corpus a trave´s de la
informacio´n contextual. Tales enfoques abordan
principalmente el reconocimiento de te´rminos
generales
A partir de C-value, hemos creados otras
medidas, como F-TFIDF-C, F-OCapi, C-OKapi,
C-TFIDF
El modelo de grafos es una alternativa al modelo
de informacio´n, muestra claramente las relaciones
entre los nodos gracias a las aristas. Gracias a los
algoritmos de centralidad se puede aprovechar los
grupos de informacio´n en grafos. Existen
aplicaciones de grafos para la Recuperacio´n de
Informacio´n (RI) en el contexto de las redes sociales, de
colaboracio´n y sistemas de recomendacio´n
Una medida basada en grafos creada para este
proceso es TeRGraph
El objetivo de este proceso es enriquecer las terminolog´ıas u ontolog´ıas con los te´rminos nuevos extra´ıdos en el proceso anterior. Los tres grandes pasos a seguir en este proceso son: (1) Determinar si un te´rmino es polise´mico: con la ayuda del Meta-Learning, hemos podido predecir con una confianza de 97% si un te´rmino es polise´mico. Esta contribucio´n sera´ valorizada en la conferencia ECIR 2015. (2) Identificar los posibles significados si el te´rmino es polise´mico: es nuestro trabajo actual, con la ayuda de clustering, clustering sobre los grafos tratamos de resolver este problema. (3) Posicionar el te´rmino en una ontolog´ıa. 3 3.1
En nuestros experimentos, hemos usado el corpus esta´ndar GENIA2, el cual es compuesto de 2 000 t´ıtulos y resu´menes de art´ıculos de revistas que han sido tomadas de la base de datos Medline, contiene ma´s de 400 000 palabras. GENIA corpus contiene expresiones lingu¨´ısticas que se refieren a entidades con intere´s en biolog´ıa molecular tales como prote´ınas, genes y ce´lulas.
2http://www.nactem.ac.uk/genia/ genia-corpus/term-corpus Los resultados son evaluados en te´rminos de precisio´n obtenidos sobre los primeros k te´rminos extra´ıdos (P @k) para las medidas propuestas y las medidas base (referencia) para la extraccio´n de te´rminos compuestos de varias palabras. En las subsecciones siguientes, limitamos los resultados para la medida basada en grafos con so´lo los primeros 8 000 te´rminos extra´ıdos y los resultados para la medida basada en la web con so´lo los primeros 1 000 te´rminos. 3.2.1
grandes procesos.
El primer proceso Extraccio´n Automa´tica de Te´rminos Biome´dicos, terminado y siendo valorizado en varias publicaciones citadas anteriormente. En este proceso demostramos que las medidas propuestas mejoran la precisio´n de la extraccio´n automa´tica de te´rminos en comparacio´n a las medidas ma´s populares de extraccio´n de te´rminos.
El segundo proceso Enriquecimiento de Ontolog´ıas, a la vez dividio en 3 etapas, es nuestra tarea actual, solo la primera etapa ha sido finalizada. En este proceso buscamos encontrar la mejor posicio´n de un te´rmino en una ontolog´ıa.
Como trabajo futuro, pensamos acabar el segundo proceso. Adema´s, planeamos probar estos enfoques generales sobre otros dominios, tales como ecolog´ıa y agronom´ıa. Finalmente, planeamos aplicar estos enfoques con corpus en espan˜ol.
Este proyecto es apoyado en parte por la Agencia Nacional de Investigacio´n de Francia bajo el programa JCJC, ANR-12-JS02-01001, as´ı como por la Universidad de Montpellier 2, el CNRS y el programa de becas FINCyT, Peru´.