[論文レビュー] Transitive Text Mining for Information Extraction and Hypothesis Generation

Johannes Stegmann, Guenter Grohmann|ArXiv.org|Sep 7, 2005

Biomedical Text Mining and Ontologies参考文献 12被引用数 4

ひとこと要約

本稿では、PubMedのMeSH用語の共起分析を用いた推移的テキストマイニング手法を提示し、分離した文献集合間の隠れたリンクを同定することで、中間概念を介した仮説生成を可能にする。等価性インデックスに基づくMeSH用語のクラスタリングと戦略的図の可視化により、中心性と密度が高いため、中間用語の有望候補として特定されるクラスタを同定し、Migraine-Magnesium や Raynaud’s Disease-Fish Oil といった既知のスワノン接続事例を効果的に回復した。

ABSTRACT

Transitive text mining - also named Swanson Linking (SL) after its primary and principal researcher - tries to establish meaningful links between literature sets which are virtually disjoint in the sense that each does not mention the main concept of the other. If successful, SL may give rise to the development of new hypotheses. In this communication we describe our approach to transitive text mining which employs co-occurrence analysis of the medical subject headings (MeSH), the descriptors assigned to papers indexed in PubMed. In addition, we will outline the current state of our web-based information system which will enable our users to perform literature-driven hypothesis building on their own.

研究の動機と目的

• MeSH用語の共起を用いて、分離した生物医学的文献集合間の暗黙的で推移的なリンクを同定する手法を開発すること。
• 出発（疾患）とターゲット（治療法）の文献集合を接続する中間概念を同定し、新たな仮説生成を可能にすること。
• 関連する中間概念を含む可能性の高いMeSH用語のクラスタを優先するための視覚的・計算的フレームワークを構築すること。
• ウェブベースのシステム（Charité-Mlink）を実装・公開し、ユーザーが自身の文献集合に対して推移的テキストマイニングを実行できるようにすること。

提案手法

• MEDLINE形式のPubMed文献集合からMeSH用語を抽出し、1文書内での複数のサブヘディングは無視する。
• MeSH用語ペア間の共起強度を測るため、等価性インデックス（E_ij = C_ij² / (C_i * C_j)）を計算し、閾値としてE_ij ≥ 0.05を設定する。
• 最も高いE_ijペアから開始する階層的クラスタリングアルゴリズムを適用し、既存のクラスタに強いリンクを持つ用語を追加し、クラスタサイズを3～10用語に制限する。
• Rを用いて、内部リンク強度の平均（密度）と外部リンクの合計（中心性）に基づき、戦略的図にクラスタを可視化する。
• 位置的および数値的特徴（低密度／低中心性、またはSource-Target Ratio（STR）≈ 1）を用いて、中間用語またはターゲット用語の可能性があるクラスタをスクリーニングする指標とする。
• この手法をウェブベースのシステム（Charité-Mlink）に統合し、ユーザーが文献集合をアップロードし、MeSH用語のクラスタを探索して推移的発見を実行できるようにする。

実験結果

リサーチクエスチョン

• RQ1 出発文献集合の図において、分離した文献ドメインを接続する中間概念を含む可能性の高いMeSH用語クラスタはどれか？
• RQ2 MeSH用語の共起パターンは、互いの主要概念を明示的に言及しない文献集合間の推移的リンクを同定するためにどのように利用できるか？
• RQ3 戦略的図（例：中心性、密度、STR）における視覚的および数値的指標は、仮説生成のためのクラスタ優先順位付けをどのように支援するか？
• RQ4 提案手法は、MeSH用語のクラスタリングを用いて、既知のスワノン接続事例（例：Migraine–Magnesium、Raynaud’s–Fish Oil）を効果的に回復できるか？
• RQ5 ウェブベースのシステムCharité-Mlinkは、ユーザー主導の推移的テキストマイニングおよび仮説発見をどの程度効果的に可能にするか？

主な発見

• Migraine–Magnesium事例において、Spreading Cortical Depression や Epilepsy といった既知の中間用語を含む、中心性と密度が低いクラスタ、またはSIR（Source-Intermediate Ratio）が1に近いクラスタが頻繁に同定された。
• Platelet Aggregationの中間文献図において、Migraine–Magnesiumリンクが効果的に同定され、出発クラスタとターゲットクラスタの両方がSTR（Source-Target Ratio）約1を示した。
• Blood Viscosityの中間文献において、Eicosapentaenoic Acid および Fish Oils といったターゲット用語は、STR（約1）が高く、出発クラスタに近接するクラスタに位置しており、強い推移的リンクの可能性を示した。
• 本手法は、MeSH用語の共起とクラスタリングを用いて、既知のスワノン接続事例（Raynaud’s Disease–Fish Oil や Migraine–Magnesium）を効果的に回復した。
• Charité-Mlinkシステムにより、ユーザーが文献集合をアップロードし、MeSH用語のクラスタをナビゲートできるほか、中間用語やターゲット用語を含む可能性の高いクラスタについての自動提案も可能になった。
• STR ≈ 1 および出発クラスタに近接するという特徴は有用な指標であるが、一部の有効なターゲット用語はこれらの領域外に存在したため、より広範なクラスタスクリーニングが依然として必要であると示された。