简化扩展质母细胞瘤文献的合成:一个主题建模方法

科学领域:

• 神经瘤学神经瘤学
• 计算生物学 计算生物学
• 图书统计学 图书统计学

背景情况:

• 质母细胞瘤 (GB) 研究正在迅速扩大,这使得识别关键趋势和新兴领域具有挑战性.
• 传统的文献审查方法耗时,可能会错过研究重点的微妙转变.

研究的目的:

• 通过使用自然语言处理 (NLP) 识别质母细胞瘤 (GB) 研究的领先主题.
• 分析英国研究中的时间趋势 ("热"和"冷"话题).
• 证明NLP在复杂领域有效合成研究的实用性.

主要方法:

• 进行了一个Scopus数据库查询"质母细胞瘤".
• 一种NLP主题建模技术BERTopic被应用于43329篇文章中.
• 线性回归分析了几十年来的主题趋势,通过词云对主题进行可视化.

主要成果:

• 确定了15个不同的主题,其中基因组学,生存,药物输送和成像是最常见的.
• 2020年代新兴的"热门"话题包括病毒和瘤治疗,抗癌化合物和外体.
• 下降的"冷"主题包括手术切除,血管生成和瘤代谢.

结论:

• NLP提供了一种有效的方法来分析大量的科学文献,揭示了传统方法不容易找到的见解.
• 该研究提供了基于数据的质母细胞瘤研究概述,强调了当前和未来的方向.
• 这种NLP方法可以适应各种科学学科的文献分析.