|
А. А. Бойко, А. М. Кайдина, Я. С. Ким, А. Ю. Лупатов, А. И. Панов, Р. Е. Суворов, А. В. Швец "Система анализа данных из научных источников на примере текстов по дендритноклеточным вакцинам*" |
|
Аннотация. Ускоряющееся увеличение количества публикаций приводит к практической невозможности проведения ручных полных обзоров результатов исследований в различных областях науки. Также в некоторых областях исследований достаточно сложно выявлять закономерности без привлечения специальных методов обработки данных. Лечение рака с помощью дендритноклеточных вакцин является одним из таких направлений исследований. В настоящей работе представлена система полуавтоматического извлечения и анализа информации из научных публикаций. Представлены экспериментальные результаты разработанных и примененных методов по разделению, классификации пациентов и извлечению причинно-следственных связей для задачи установления успешности лечения пациентов различными типами дендритноклеточных вакцин. Ключевые слова: анализ естественного языка, машинное обучение, анализ текста, причинно-следственные связи, ДСМ-метод, генетические алгоритмы, AQ-метод, дендритные клетки, противораковая вакцина, клеточная терапия. Стр. 54-63. A. A. Boyko, A. M. Kaydina, Y. S. Kim, A. Yu. Lupatov, A. I. Panov, R. E. Suvorov, A. V. Shvets"System for analysis data extracted from scientific papers in the case of dendritic cell vaccine"Abstract. Incresing amount of scientific publications makes it difficult to conduct a comprehensive review and objectively compare results of previous researches. In some areas of research it is also difficult to extract regularities without computer aid due to complexity of experimental setup and results. Cancer treatment using dendritic cell vaccines is such an area. In this paper we describe a workflow for semi-automatical information extraction and further analysis. We also present a case study in the field of dendritic cell vaccination and the corresponding experimental results, which include analysis of separability, classification and regression quality evaluation and cause relations mining. Keywords: natural Language Processing, Data Mining, Text Mining, Cause-and-effect relations, JSM-method, Genetic Algorithm, AQ-method, Dendritic Cells, Anticancer Vaccine, Cell Therapy. Полная версия статьи в формате pdf. REFERENCES 1. https://clinicaltrials.gov 2. http://www.ncbi.nlm.nih.gov/pubmed 3. Grishman R. // TIPSTER Text Architecture Design. Version 3.1. New York, NYU, 1998. 4. Assessment of Dendritic Cell Therapy Effectiveness Based on the Feature Extraction from Scientific Publications / A. Y. Lupatov [et al.] // Proceedings of the International Conference on Pattern Recognition Applications and Methods. 2015. V. 2. P. 270–276. 5. Kieninger T. G. Table structure recognition based on robust block segmentation // Photonics West’98 Electronic Imaging. 1998. P. 22–32. 6. Breiman L. et al. Arcing classifier (with discussion and a rejoinder by the author) // The annals of statistics. 1998. V. 6. № 3. P. 801–849. 7. Pedregosa F. et al. Scikit-learn: Machine learning in python // The Journal of Machine Learning Research. 2011. V. 12. P. 2825–2830. 8. Panov A. I., Shvets A. V., Volkova G. D. Metod izvlecheniya prichinno – sledstvennykh svyazey s ispolzovaniem optimizirovannykh baz faktov // Iskusstvennyy intellekt i prinyatie resheniy. 2015. № 1. S. 27–34. 9. Finn V. K. Ob opredelenii empiricheskikh zakonomernostey posredstvom DSM metoda avtomaticheskogo porozhdeniya gipotez // Iskusstvennyy intellekt i prinyatie resheniy. 2010. № 4. C. 41–48. 10. Panov A. I., Shvets A. V. Evolyutsionnyy metod pokrytiy dlya sostavleniya bazy faktov DSM metoda // Chetyrnadtsataya natsionalnaya konferentsiya po iskusstvennomu intellektu s mezhdunarodnym uchastiem KII-2014 (24–27 sentyabrya 2014 g., g. Kazan, Rossiya): Trudy konferentsii. 2014. C. 323–330. 11. Panov A. I. Vyyavlenie prichinno-sledstvennykh svyazey v dannykh psikhologicheskogo testirovaniya logicheskimi metodami // Iskusstvennyy intellekt i prinyatie resheniy. 2013. № 1. C. 24–32. 12. Kuznetsov S. O., Obiedkov S. A. Comparing performance of algorithms for generating concept lattices // Journal of Experimental and Theoretical Artificial Intelligence. 2002. V. 14. P. 189–216.
|