基于PubMed的医学文本挖掘方法、装置及设备

本发明涉及计算机数据挖掘领域，更具体地说，涉及一种基于pubmed的医学文本挖掘方法、装置及设备。

背景技术：

1、医学研究中，研究疾病与检测指标之间的相关性对疾病的预防、诊断和治疗有着至关重要的意义。虽然目前对疾病与基因之间的关系研究已经很多，但是对检测指标及疾病之间的研究较少。

2、近年来，数据挖掘方法包括图形算法、机器学习以及文本挖掘算法，这些方法被广泛应用于关联性研究领域，如：研究疾病与基因的关系、疾病与药物的关系以及疾病与疾病的关系。基于图形理论，构造了图模型及多种算法，如邻域关联分析，最短路径算法、行走模型等。然而，基于图论的算法在研究疾病与检测指标之间的相关性研究中效果不佳。机器学习算法对数据格式及数据质量的要求，而对于疾病的数据，没有较好的格式化和量化的方法，因此，基于机器学习的一般应用程序对破译疾病与检测指标相关性的作用可能由于源数据的可用性而受到限制。文本挖掘算法也已经广泛应用于研究各种生物学问题，如功能基因组学、生物途径相互作用、蛋白质表达、药物基因关联、比较毒性基因组学，神经精神病学疾病以及大规模的生物信息学分析。

3、diseases通过co-occurrence方法预测疾病-基因的关联性，mimminer利用tf-idf研究了omim文本与疾病的关系矩阵；catapult通过图形模型及半监督机器学习算法预测了与疾病的相关基因。lgscore通过谷歌搜索引擎研究了疾病基因相关性。但是，这些算法都主要是通过文本挖掘算法对疾病相关的基因进行分析。除了基因疾病检查指标和之间也有一定关系，从医学文献中提取和处理病例的疾病和医学指标等关键信息是一项重要工作。对医学文献中的病例进行数据提取和分析，涉及临床症状和医学指标的识别和归纳。根据疾病名称及对应的医学指标进行搜索，获得检索文献，并对检索文献进行全文解析，以判断检索文献的某个整句中是否具有疾病名称及对应的医学指标和数值。但是，这种分析方法，只能对疾病和指标之间关系已知，且要求疾病名称和医学指标在同一整句中的情况进行分析，局限性较大，精确度较低。

技术实现思路

1、有鉴于此，本发明提供了一种基于pubmed的医学文本挖掘方法、装置及设备，用于解决现有医学指标文本挖掘方法，局限性大、文本挖掘算法的精确度较低的问题。

2、为实现上述目的，现提出的方案如下：

3、一种基于pubmed的医学文本挖掘方法，包括：

4、从pubmed数据库中检索目标疾病不同阶段的相关文献，并将文献存储到预设数据库，得到不同阶段的文献集，其中目标疾病包括风险评估、诊断、治疗和预后四个阶段；

5、获取临床体检指标集；

6、文本挖掘模型将临床体检指标集作为索引集，在文献集中进行检索，并根据临床体检指标集中各指标在不同阶段的文献集中出现的频次确定目标疾病各阶段的关联指标集；

7、通过改进tf-idf方法分别对各阶段关联指标集中的指标进行排序，得到目标疾病各阶段的目标关联指标集，以供医护人员对目标疾病诊断时进行参考。

8、优选地，从pubmed数据库中检索目标疾病不同阶段的相关文献，并将文献存储到预设数据库的过程，包括：

9、将目标疾病的各个阶段分别输入pubmed中进行检索，得到包含相关文献的pubmed-id的id列表；

10、下载各id列表，并通过efetch工具基于id列表下载各id对应的xml格式的文献；

11、将xml格式的文献存储到预设数据库。

12、优选地，将xml格式的文献存储到预设数据库之前，还包括：

13、对相应的文献进行标注，其中，需要标注的信息包括题目、作者、摘要、关键词。

14、优选地，通过改进tf-idf方法分别对各阶段关联指标集中的关联指标进行排序的过程，包括：

15、通过下述公式计算各指标的tf-idf值，公式如下：

16、pml(t|md)＝tf(t,d)/dld，

17、

18、

19、如果tf(t,d)>0，

20、

21、其中，pml(t|md)为指标t在文献d中的最大似然估计，rt,d为风险函数，q为临床体检指标集，p(q|md)为基于临床体检指标集生成的查询概率，即tf-idf值，p(t|md)为临床体检指标集在文献中出现的概率，1.0-p(t|md)表示文献中未出现临床体检指标集的概率，∏t∈qpml(t,d)为文献d的排名，tf(t,d)是指标t在文献d中出现的原始概率，dld是文献d中指标的总数，dft为指标t的文档频率，是指t在文献集中出现的平均频率；

22、将不同阶段的关联指标集中的关联指标分别按照tf-idf值进行排序。

23、一种基于pubmed的医学文本挖掘装置，包括：

24、文献获取单元从pubmed数据库中检索目标疾病不同阶段的相关文献，并将文献存储到预设数据库，得到不同阶段的文献集，其中目标疾病包括风险评估、诊断、治疗和预后四个阶段；

25、索引获取单元获取临床体检指标集；

26、指标检索单元通过文本挖掘模型将临床体检指标集作为索引集，在文献集中进行检索，并根据临床体检指标集中各指标在不同阶段的文献集中出现的频次确定目标疾病各阶段的关联指标集；

27、指标确认单元通过改进tf-idf方法分别对各阶段关联指标集中的指标进行排序，得到目标疾病各阶段的目标关联指标集，以供医护人员对目标疾病诊断时进行参考。

28、一种基于pubmed的医学文本挖掘设备，包括：存储器和处理器；

29、所述存储器，用于存储程序；

30、所述处理器，用于执行所述程序，实现如前述基于pubmed的医学文本挖掘方法的各个步骤。

31、从上述的技术方案可以看出，本发明提供的基于pubmed的医学文本挖掘方法，从pubmed数据库中检索目标疾病不同阶段的相关文献，并将相关文献存储到数据库，得到不同阶段的文献集。文本挖掘模型将临床体检指标集作为索引集，在文献集中进行检索，并根据临床体检指标集中各指标在不同阶段的文献集中出现的频次确定目标疾病各阶段的关联指标集。通过改进tf-idf方法分别对各阶段关联指标集中的关联指标进行排序，得到目标疾病各阶段的目标关联指标集。本发明基于pubmed检索系统进行检索，得到疾病不同阶段较为全面的相关的文献，减少了数据源的限制，使数据更加全面。

32、本发明中文本挖掘模型基于临床体检指标集在相关文献中进行搜索，确定目标疾病各阶段的关联指标集。文本挖掘模型考虑了临床体检指标集与疾病的关联。本发明在目标疾病相关的文献中检索相关临床体检指标，减少了搜索的限制，使得搜索结果更加全面。

33、本发明通过改进tf-idf方法分别对各阶段关联指标集中的关联指标与疾病是否关联进行进一步验证，提高了目标关联指标集中关联指标的准确性。目标关联指标集中各指标与目标疾病相关性较高，医护人员可以参考目标关联指标集进行诊断。