Проект построения мультимодальной медицинской информационной системы

В данной работе описывается подход к построению автоматизированной мультимодальной медицинской информационной системы (ММИС) на основе информации из англоязычной базы медицинских электронных публикаций PubMed [12], созданной Национальным центром биотехнологической информации (NCBI, США). Система предназначена для поддержки медицинских словарей, поиска новых медицинских терминов, определения тенденций динамики популярности терминов, проведения статистических расчетов.

Информационные технологии и оптимизация управления

Золотарев Олег Васильевич кандидат технических наук, доцент, заведующий кафедрой информационных систем в экономике и управлении Института информационных систем и инженернокомпьютерных технологий Российского нового университета, Москва. Сфера научных интересов: компьютерная лингвистика. Автор 79 опубликованных научных работ. Московский инженерно-физический институт.

Донахью Гу

Ph.D., профессор, профессор Школы менеджмента Технологического университета Хэфэй, Китай. Сфера научных интересов: медицинские информационные системы. Автор 74 опубликованных научных работ.

Структура системы включает три словаря: а) исходный словарь терминов (ИСТ), который составляется вручную экспертом; б) словарь потенциально новых терминов (СПТН), использующийся для выделений новых терминов; в) словарь терминов (СТ), представляющий собой пополняемый словарь медицинских терминов ММИС, который является ядром системы.

Функционал ММИС состоит из нижеперечисленных подсистем.

• 1.    Подсистема формирования корпуса текстов (ПФК), строится автоматически путем загрузки документов из электронной библиотеки PubMed на основе поискового запроса [15]. В проекте используется free full-text archive of biomedical and life sciences journal literature PMC (PubMed Central).

• 2.    Подсистема формирования словаря потенциально новых терминов (СПНТ). В процессе обработки научных документов выделяются (извлекаются из неструктурированных текстов) медицинские термины, включающие ключевые слова и словосочетания из поискового запроса (не обязательно совпадающие полностью и терминами, представленными в запросе).

• 3.    Рабочее место эксперта (РМЭ) для исследования и коррекции представленной в словаре терминов информации, внесения изменений в словарные статьи.

• 4.    Рабочее место оператора (РМО) для ввода информации в систему.

• 5.    Рабочее место пользователя (РМП) для работы с системой.

• 6.    Подсистема статистики (ПС).

• 7.    Подсистема внешних словарей (ВС).

Проект построения мультимодальной медицинской информационной системы

Система ММИС является многоязычной. Основной язык системы – английский (в силу того, что наибольшее количество статей в международных электронных библиотеках представлены на английском языке). Планируется сделать словарь терминов (СТ) трехъязычным, с включением английского, русского и китайского языков. Также планируется построить трехъязычный интерфейс. Для этого будут построены таблицы межъязыкового соответствия. Перевод статей с английского на другие языки не предусматривается.

Методы

Выгрузка данных из библиотеки PMC ведется с использованием Entrez утилит (E-utilities). Это интерфейс, позволяющий осуществлять доступ к 38 базам биомедицинских данных. Запрос к NCBI направляется в виде URL-адреса из программы (единственное условие – программная система должна поддерживать отправку URL-адреса). В результате на сервере формируется корпус текстов, соответствующий поисковому запросу (работает подсистема формирования корпуса текстов).

Далее запускается вторая подсистема – обработка научных текстов. Цель подсистемы – сформировать словарь потенциально новых терминов. На основе поискового запроса и с учетом шаблонов для выделения терминов из текстов выполняется анализ текстовых документов. В результате обработки каждого документа корпуса выделяются потенциально новые термины в виде n -грамм, выполняется лемматизация (приведение слов текста к нормальной форме), сохраняются адреса вхождения терминов, оригинальная и нормальная формы терминов, устанавливается связь между термином в нормальной и оригинальной формах для каждого документа, сохраняются контексты вхождения терминов [9; 16].

Структура ММИС

В системе предполагается ввести следующие роли для доступа:

• –    администратор (полный доступ к функциям системы, включая изменение прав доступа);

• –    эксперт (полный доступ к функциям системы кроме изменения прав доступа, включая:

• •    доступ к просмотру и редактированию словарей СТ и СПНТ, поиск терминов, их категоризация;

• •    поиск документов, расширение или сужение их контекстов;

• •    поиск, формирование и редактирование аннотаций терминов, дефиниций, контекстов, списков синонимов и их аббревиатур;

• •    изменение статуса термина – утвержден, не утвержден;

  – пользователь (просмотр информации БД без ее редактирования).

Сначала группа экспертов формирует исходный словарь терминов (ИСТ), который в результате согласования утверждается всеми экспертами. Первоначально ИСТ заполняется в виде таблицы Excel, затем загружается в БД ММИС.

Далее запускается подсистема формирования корпуса текстов (ПФК) на основе поискового запроса, утвержденного группой экспертов. Запрос включает поисковую строку, период, дату создания корпуса и выполняется автоматически. В результате запроса в автоматическом режиме из библиотеки PMC выгружаются искомые документы, и создается текстовый корпус, которому соответствует массив публикаций, содержащий название

Информационные технологии и оптимизация управления статьи, информацию об авторах, тип и вид документа, дату публикации, аннотацию, полные тексты документов, доступные в PMC.

После завершения формирования корпуса текстов включается в работу подсистема формирования словаря СПНТ. Выделяемый потенциально новый термин добавляется в список терминов СПНТ, сохраняется его уникальный адрес (выполняются морфологическая и метатекстовая разметки текста документов корпуса), включающий ссылку на статью и положение термина в статье. После этого производится нормализация термина, создается отдельный список нормализованных терминов корпуса, включающий адрес термина в оригинальной форме (список терминов таблицы СПНТ). В данной подсистеме организуется поиск по терминам и навигация по вхождениям термина в статью и в корпус. Далее осуществляется поиск термина в нормализованной форме в словаре терминов (СТ). В случае нахождения термина в словаре СТ в списке нормализованных терминов устанавливается статус (новый, не новый, обработан). Вся работа по формированию СПНТ и списка нормализованных терминов выполняется автоматически (эксперт имеет доступ только к изменению статуса термина).

Рабочее место эксперта используется для анализа информации из словаря СПНТ и коррекции словаря медицинских терминов (СТ), каждый новый элемент которого формируется экспертом и утверждается группой экспертов. Словарь СТ в базе данных представлен набором таблиц и включает следующие элементы: термин, его категория, группа, синонимы, сокращения, аннотация, дефиниции, контексты, поясняющие термин со ссылками на статьи из библиотеки PMC, из которых они были выделены. Эксперт имеет доступ к словарям СПНТ, СТ, публикациям корпуса. Он может корректировать только словарь СТ (исключение – изменение статуса термина в СПНТ).

Словарь терминов имеет иерархическую структуру (включая гипо-гиперонимические отношения). Верхние уровни иерархии служат для классификации. Лепестковый уровень иерархии содержит информацию о термине.

Выбранные экспертом термины в словаре СПНТ могут быть либо добавлены в основной словарь терминов (СТ), либо, если анализируемый термин входит в оба словаря (СПНТ и СТ), могут быть скорректированы свойства термина в словаре СТ (аннотация, дефиниции, контексты). Если эксперт добавляет новый контекст, то автоматически сохраняется ссылка на адрес контекста в документе (эксперт в статье выделяет нужный контекст и выполняет команду привязки контекста к термину). Если в контексте определятся новое значение термина, то добавляется новая дефиниция и новый контекст. Дефиниции формулируются экспертом, контекст берется из публикаций корпуса. При просмотре контекста эксперту выводится часть текста документа. Контекст может быть расширен или сужен за счет окружающего исходный контекст текста.

Предполагается в БД делить термины на несколько категорий с изменяемым числом категорий и их названий. Первоначально термины в БД делятся на следующие 9 категорий: general scientific terms, general medical terms, cancer, breast cancer, molecular biology, genetics, bioorganic chemistry, drugs for treatment and diagnostics, methods and technologies of diagnostics and treatment.

Структура аннотации термина включает 6 компонентов:

– Meanings & Definitions & Abbreviations;

– Synonyms;

– Relationships;

Проект построения мультимодальной медицинской информационной системы

– Mapping;

– Term & Synonyms contexts;

– Term associations with disease stages.

Подсистема статистики (ПСР) позволяет вычислять абсолютные и относительные частотности встречаемости термина в корпусе текстов и в каждом документе. Для определения тенденций развития терминологии рассчитываются абсолютные и относительные частотности встречаемости терминов за определенные периоды времени [1; 4].

Подсистема внешних словарей (ВС) позволяет подключать общедоступные словари медицинских терминов для выполнения анализа новизны термина, уточнения его значений в процессе работы эксперта.

Ниже приведен пример поиска терминов для категории «Рак груди». В поиск включены следующие паттерны поиска:

– триграммы с одним термином из списка состава: ТХХ, ХТХ, ХХТ;

– биграммы: XT, TX.

Здесь T означает поисковый термин, X… – возможные кандидаты на включение в многословный термин в результате анализа текста публикации.

Поиск квадграммов был сочтен нецелесообразным из-за небольшого числа четырехсловных медицинских англоязычных терминов. Приведем примеры квадграммов: triple negative breast cancer, triple-negative breast cancer, Node-Negative Breast Cancer. Трехсловные термины встречаются чаще: Breast Cancer Cells, breast cancer patients, Human Breast Cancer, Breast Cancer Survivors, Advanced Breast Cancer, Metastatic breast cancer и др. Наиболее распространены биграммы: Breast Cancer, triple-negative, Breast Carcinoma, Triple Negative, breast reconstruction, brain metastases, breast density и др.

Был осуществлен поиск статей за 2020 г. в PMC по поисковому запросу: early [All Fields] AND ("breast neoplasms" [MeSH Terms] OR ("breast"[All Fields] AND "neoplasms" [All Fields]) OR "breast neoplasms" [All Fields] OR ("breast"[All Fields] AND "cancer" [All Fields]) OR "breast cancer" [All Fields]). Из найденных 49675 статей было отобрано 10 наиболее релевантных запросу публикаций [2; 3; 5–8; 10; 11; 13; 14]. Для последующего экспертного анализа был создан корпус полных текстов этих статей.

Ниже приведены примеры n -грамм, выделенные из корпуса, содержащие термин Microcalcification из списка СТ.

Паттерн	Выдержки из текста	n -граммы после нормализации
ТХХ	microcalcifications are composed of either calcium Microcalcifications appearance at mammography microcalcifications in the breast microenvironment microcalcifications and the breast microenvironment stratified for the presence of microcalcifications microcalcifications formation processes microcalcification resorption process microcalcifications in breast cells microcalcifications development and carcinogenesis microcalcifications compared with tumor microcalcifications and reported that hydroxyapatite microcalcifications in the primary tumor	microcalcification compose calcium Microcalcification appearance mammography microcalcification breast microenvironment stratify presence microcalcification microcalcification formation process microcalcification resorption process microcalcification breast cell microcalcification development carcinogenesis microcalcification compare tumor microcalcification report hydroxyapatite

Информационные технологии и оптимизация управления

ТХХ	microcalcifications development and hyperplasia microcalcifications production and resorption microcalcifications should also be evaluated microcalcifications could help identifying microcalcifications preventive therapeutics	microcalcification primary tumor microcalcification development hyperplasia microcalcification production resorption microcalcification also evaluate microcalcification help identify microcalcification prevent therapeutics
ХТХ	Breast microcalcifications are composed presence of microcalcifications in the breast presence of microcalcifications compared associated with microcalcifications, breast existence of microcalcifications formation Breast microcalcifications formation, impact of microcalcifications in breast hydroxyapatite microcalcifications were actively breast microcalcifications development developing microcalcifications preventive	Breast microcalcification compose presence microcalcification breast presence microcalcification compare associate microcalcification breast exist microcalcification formation Breast microcalcification formation impact microcalcification breast hydroxyapatite microcalcification active breast microcalcification development develop microcalcification prevent
ХХТ	cancer lesions with microcalcifications cancer lesions without microcalcifications carcinogenesis associated with microcalcifications dysregulation is associated with microcalcifications, essential to consider microcalcifications existence of multiple microcalcifications involution and in presence of microcalcifications presence of abnormal microcalcifications stratified for the presence of microcalcifications suggests the existence of microcalcifications tumor tissue without microcalcifications.	cancer lesion microcalcification carcinogenesis associate microcalcification dysregulation associate microcalcification essential consider microcalcification exist multiple microcalcification involution presence microcalcification presence abnormal microcalcification stratify presence microcalcification suggest existence microcalcification tumor tissue microcalcification
XT	abnormal microcalcifications avoid microcalcifications Breast microcalcifications 5 developing microcalcifications hydroxyapatite microcalcifications 2 lesions with/without microcalcifications multiple microcalcifications presence of microcalcification 9	abnormal microcalcification avoid microcalcification Breast microcalcification 5 develop microcalcification hydroxyapatite microcalcification 2 lesion Microcalcification 4 multiple microcalcification presence microcalcification 9
TX	microcalcification resorption microcalcifications and the breast microcalcifications in breast	microcalcification resorption microcalcification breast 4

Проект построения мультимодальной медицинской информационной системы

TX

microcalcifications in the breast microcalcifications, breast microcalcifications development 4 microcalcifications formation 3

microcalcification development 4 microcalcification formation 3

Затем эксперт провел удаление повторяющихся биграмм, словосочетаний сущ. + гл., гл. + сущ. Потенциально новыми терминами могут быть следующие: а) состава XT – abnormal microcalcification, cell microcalcification, invasive Microcalcification, multiple microcalcification; б) состава TX – microcalcification primary, microcalcification production, microcalcification resorption.

Заключение

Представлен проект разработки мультимодальной медицинской системы с возможностью автоматизированного выделения новых медицинских терминов из полнотекстовых документов (научных статей, патентов), опубликованных в международных электронных базах. Предлагаемое решение позволяет отслеживать динамику изменения популярности медицинской терминологии. В данном проекте для каждого элемента словаря терминов предложено не только сохранение контекстов термина для пояснения его значений, но и загрузка публикаций – источников контекста, доступных по ссылке.

Исследование выполнено при финансовой поддержке РФФИ и ГФЕН в рамках научного проекта № 21-57-53018

Acknowledgments

The reported study was funded by RFBR and NSFC, project number 21-57-53018.