[论文解读] Discovering associations in COVID-19 related research papers

Iztok Fister, Karin Ljubic Fister+1 more|arXiv (Cornell University)|Apr 6, 2020

Data Mining Algorithms and Applications参考文献 10被引用 7

一句话总结

本研究采用关联规则文本挖掘（ARTM）与信息制图技术，分析CORD-19数据集中关于COVID-19研究的摘要，通过地铁图可视化提取关键术语及其关系。研究揭示了与大流行病相关术语的研究数量呈历史性的指数级增长——尤其是与病毒、临床症状及公共卫生措施相关的术语——在MERS等疫情爆发期间达到高峰，并与科学产出的上升趋势相关。

ABSTRACT

A COVID-19 pandemic has already proven itself to be a global challenge. It proves how vulnerable humanity can be. It has also mobilized researchers from different sciences and different countries in the search for a way to fight this potentially fatal disease. In line with this, our study analyses the abstracts of papers related to COVID-19 and coronavirus-related-research using association rule text mining in order to find the most interestingness words, on the one hand, and relationships between them on the other. Then, a method, called information cartography, was applied for extracting structured knowledge from a huge amount of association rules. On the basis of these methods, the purpose of our study was to show how researchers have responded in similar epidemic/pandemic situations throughout history.

研究动机与目标

• 通过文本挖掘技术分析摘要，识别COVID-19研究中的重复主题与关联关系。
• 探讨过去流行病与大流行事件如何历史性地影响病毒学与公共卫生领域的科研产出。
• 利用信息制图开发一种结构化、可视化的知识提取方法，以总结科学文献中的复杂关联。
• 通过与MEDLINE数据库中的历史生物医学文献交叉比对，验证所挖掘术语的相关性。
• 评估特定术语在研究中的频率是否随时间与重大病毒疫情爆发相关。

提出的方法

• 通过去除标点符号、停用词及词形变化，对摘要进行文本预处理，以提取有意义的术语。
• 应用词频/逆词频（TF/ITF）加权方法，基于术语的频率与稀有性识别最显著的术语。
• 使用ARTM生成术语之间的关联规则，捕捉摘要中的共现模式。
• 将复杂规则简化为单前件、单后件规则，以降低复杂度并提高可解释性。
• 从简化规则构建有向词语图，其中节点代表术语，边代表关联关系。
• 利用进化算法从词语图生成地铁图可视化，将术语组织成连贯的主题线路，以支持知识探索。

实验结果

研究问题

• RQ1 COVID-19研究摘要中的关键术语及其关联关系，如何反映对过去大流行病的历史性应对？
• RQ2 特定研究术语的频率在多大程度上与MERS或SARS等已记录的病毒疫情爆发相关？
• RQ3 信息制图能否有效总结并可视化从大规模科学文本挖掘中提取的复杂知识结构？
• RQ4 与临床症状、病毒学及公共卫生措施相关的术语，是否随时间推移在新兴病毒威胁下呈现日益普遍的趋势？
• RQ5 关于大流行相关主题的科学文献历史趋势如何？其与重大流行病事件是否一致？

主要发现

• 从1955年至2019年，提及‘病毒’、‘隔离’和‘H7N9’等术语的科学论文数量呈指数级增长，重大疫情爆发期间出现显著峰值。
• 2013年研究产出显著上升，与MERS疫情相关，尽管当时尚未形成广泛的预印本文化。
• 在表现最佳的地铁图中识别出44个高适应度术语，经筛选去除非医学术语后保留26个。
• ‘线粒体’、‘假结’、‘通气’和‘下调’等术语与病毒学及临床研究主题高度关联。
• 在SARS-CoV-2大流行爆发前后，与病毒致病机制、宿主反应及公共卫生干预措施相关的术语频率显著上升。
• 将所挖掘术语用作MEDLINE数据库的关键词时，检索到的相关摘要数量持续增长，证实该方法能有效识别具有历史相关性的研究主题。