基於Principle-based approach的自然語言處理應用於生醫文獻探勘
Natural Language Processing with Principle-based approach for biomedical text mining
圖:肝細胞癌(Hepatocellular carcinoma, HCC)在臨床上的診斷流程，透過樣本蒐集、萃取及Biosignature分析，作為罹患HCC與否的診斷依據。
自然語言(Natural language)顧名思義即是一般人平常所用的語言。人類的知識有許多都是以自然語言的文字或影音形式儲存。近年來，科技日新月異，生醫方面的文獻數量也隨著倍數成長。其所產生的巨量資料，讓文獻閱讀及收集的困難度也跟著提升。因此，利用自然語言處理(Natural Language Processing, NLP)，自動挖掘現今大量已發表於生物醫學文獻中有關生醫物件間之關聯，例如：蛋白質交互作用(Protein-protein interaction, PPI)，或是與疾病相關的生物標識(Biomarker/Biosignature)，將能輔助生醫專家快速掌握生醫科技之最新成果與整體關聯性，加速相關研究發展，促進生醫科技之應用與創新。
目前自然語言處理的趨勢主要分為法則式模型(rule-based models)與統計模型(statistical models)兩種方法。法則式模型較趨近於人類思考模式，但是例外處理過於瑣碎、複雜，且需要大量人力介入；統計模型強調全自動學習，但學到的大多是一堆數學參數，不易理解及分析，且較不能充分利用細膩的語言知識。有鑑於過去的研究皆缺乏語意上的理解及可讀性。E2轉譯醫學暨生技研發之生物資訊核心設施(Bioinformatics Core Facility for Translational Medicine and Biotechnology Development，簡稱TMBD Bioinformatics Core)中，由許聞廉所長所帶領的團隊，積極研發準則式模型Principle-based approach(PBA)，擷取法則式模型與統計模型的優點，避開其缺失。此方法有三個步驟，首先，透過domain expert建構相關領域的本體論/語意地圖(ontology/MAP)，針對語料進行語意標注(semantic labeling)，標注後所產生的資料稱為pattern，這些pattern是雜亂無章的；接著，經由PBA演算法中的pattern summarization步驟，將patterns加上關鍵樣元的挑選，整合成具有代表性的principles。最後，principle matching則藉由允許substitution, insertion及deletion，強化了傳統的正規表示式(regular expression)過於僵化而無法做到的彈性比對，讓principle matching的自由度更高(flexible)。PBA不僅具有自動擷取生醫文獻中相關資訊的功能，亦能產生可讀性的資料及規則。此研究將有助於自然語言處理未來在生醫文獻探勘上的應用。