在瘤学文献中自动基因识别:对自然语言处理方法的比较评估

科学领域:

• 生物医学信息学 生物医学信息学
• 计算生物学 计算生物学
• 基因组学就是基因组学.

背景情况:

• 生物医学文献的快速扩张给手动数据提取带来了挑战.
• 自动化方法对于识别基因等生物实体至关重要,以支持科学发现.
• 有效地提取特定的基因组,如OncomineTM基因,对于癌症研究至关重要.

研究的目的:

• 系统地比较基于规则,基于命名实体识别 (NER) 和基于变压器的基因提取模型的性能.
• 评估这些模型,从癌症相关的摘要中提取161个OncomineTM基因.
• 确定生物医学文本挖掘中自动基因实体识别的最有效和高效方法.

主要方法:

• 对三种不同的方法进行比较分析:基于规则的字符串匹配,使用SciSpaCy模型的NER和基于变压器的模型 (BioBERT,GPT-4o).
• 对100个随机选择的与癌症相关的摘要进行了评估.
• 性能指标包括精度,回忆和F1得分用于基因提取精度.

主要成果:

• 基于变压器的BioBERT模型以1.00的回忆率和0.98.98的F1得分实现了卓越的性能.
• 虽然GPT-4o具有很高的效率,但却产生了很大的计算成本.
• 基于NER的模型显示了可变的结果,而基于规则的方法提供了高精度但有限的回忆.

结论:

• 基于变压器的模型,特别是BioBERT,对于从生物医学文献中提取特定的基因组非常有效.
• 模型准确性和计算资源要求之间存在明显的权衡.
• 结合不同方法的混合方法可能为大规模的生物医学文本挖掘应用提供最佳解决方案.