基于人工智能的生物医学文献主题分析,用于精准营养

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
• 图书统计学 图书统计学

背景情况:

• 当代生物医学研究,特别是精密营养,面临着由于科学文献的数量呈指数增长而在保持全面理解方面面临挑战.
• 传统的文献评论难以捕捉整个研究领域的结构格局,阻碍了对理解代谢反应至关重要的多样化数据流的整合.
• 越来越多的研究减少了整个证据景观的可见性,影响了特征选择和模型可解释性,例如精密营养等领域.

研究的目的:

• 开发和验证一个端到端的计算框架,用于组织和分析大规模的生物医学文献.
• 通过将传统评论的专题结构与从初级研究摘要中得出的内容进行比较,评估传统评论的代表性.
• 提供可扩展的解决方案,用于识别知识差距,并支持精准营养研究中的基于证据的建模.

主要方法:

• 创建了一个自动化的框架来获取PubMed查询结果,并将未经监督的专题结构应用于摘要.
• 用自然语言处理技术进行抽象分析,然后进行独立的审查和初级研究子集集群.
• 集群-中心共因相似度热图被用于比较主题分布,并且通过超过385,000个摘要证明了框架的可扩展性.

主要成果:

• 该框架成功地将与遗传学和体育活动相关的超过385,000个摘要映射成稳定的专题表示.
• 在临床巩固领域的审查和初级研究集群之间观察到很强的对应.
• 机械学和基因组学研究领域在传统的审查衍生结构中显示出相对有限的代表性,这表明潜在的审查差距.

结论:

• 开发的计算框架为生物医学文献的结构分析提供了可扩展的方法,改变了文献合成.
• 该工具为基于证据的建模提供了定量基础设施,特别有利于精确营养研究的复杂需求.
• 一个交互式Web应用程序使管道运行,使得可重复的体量级映射和回顾差距诊断能够在没有人工干预的情况下实现.