Armonización de metadatos de conjuntos de datos biológicos con modelos de lenguaje | JoVE Visualize

Área de la Ciencia:

Informática Biomédica
Ciencia de Datos
Procesamiento del Lenguaje Natural

Sus antecedentes:

La integración de datos biomédicos es un desafío debido a metadatos inconsistentes y terminología específica del investigador.
Los métodos actuales de armonización de metadatos son a menudo laboriosos o interrumpen los flujos de trabajo existentes.
La estandarización manual consume más del 40% del tiempo de curación de datos, lo que dificulta el progreso de la investigación.

Objetivo del estudio:

Desarrollar y evaluar una solución basada en modelos de lenguaje para la armonización automatizada de metadatos biomédicos.
Mejorar la precisión y la eficiencia de la asignación de términos específicos del investigador a un vocabulario estandarizado.
Reducir el esfuerzo manual requerido para la curación de datos y acelerar la integración de datos posteriores.

Principales métodos:

Ajuste fino de modelos de lenguaje GPT-2 con aumento de datos realista para generar representaciones de términos variadas.
Desarrollo de modelos específicos del dominio para datos de cáncer, investigación sobre alcohol e enfermedades infecciosas.
Evaluación del rendimiento del modelo utilizando métricas de precisión dentro y fuera del diccionario.

Principales resultados:

Se logró una precisión del 96% dentro del diccionario, lo que redujo el esfuerzo manual en más del 90% para los términos conocidos.
Se demostró una precisión del 17% fuera del diccionario para términos estándar novedosos, superando los métodos existentes.
Los modelos específicos del dominio mostraron un rendimiento superior en terminología especializada en comparación con modelos generales más grandes.

Conclusiones:

El enfoque de modelo de lenguaje propuesto ofrece una solución escalable y de baja carga para la armonización de metadatos biomédicos.
La armonización automatizada acelera significativamente la integración de datos al minimizar la curación manual.
El método permite una estandarización eficaz incluso en dominios que carecen de conjuntos completos de sinónimos.