凌晨　解曉峰　王一鴻　王毅

摘要：基于UMLS的醫(yī)學(xué)資源庫(kù)的搜索模塊通過(guò)將搜索關(guān)鍵詞的映射到UMLS超級(jí)敘詞表中相關(guān)概念的詞串，經(jīng)過(guò)“OR”運(yùn)算，進(jìn)行語(yǔ)義擴(kuò)展的搜索。可以提高查準(zhǔn)率和查全率。可以使用MetaMap映射工具，也可以直接訪(fǎng)問(wèn)超級(jí)敘詞表；可以采用本地?cái)?shù)據(jù)訪(fǎng)問(wèn)和使用WEB服務(wù)兩種方式的系統(tǒng)架構(gòu)來(lái)訪(fǎng)問(wèn)UMLS。

關(guān)鍵詞：UMLS；資源庫(kù)；語(yǔ)義擴(kuò)展；搜索

中圖分類(lèi)號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2014）01-0163-03

1 醫(yī)學(xué)資源庫(kù)的知識(shí)組織及檢索的不足

在醫(yī)學(xué)資源庫(kù)中，資源以視頻、音頻、動(dòng)畫(huà)、文檔、PPT、積件等多媒體形式存在。資源入庫(kù)必須以人工標(biāo)注的方式進(jìn)行元數(shù)據(jù)標(biāo)注。傳統(tǒng)的醫(yī)學(xué)資源庫(kù)的資源檢索采用的是關(guān)鍵詞匹配。有的檢索系統(tǒng)會(huì)在關(guān)鍵詞匹配的基礎(chǔ)上增加類(lèi)別限制、時(shí)間限制、作者限制等范圍限制來(lái)提高搜索的精確性。但是語(yǔ)言常常具有多義性、同義性、模糊性，比如Aspirin（阿司匹林）和Acetylsalicylic acid（乙酰水楊酸）、Cancer（癌癥）和Malignant of neoplasm（惡性腫瘤）、Scar（傷疤）和Cicatrix（疤痕）分別都是同義詞，但是各自都是完全不同的關(guān)鍵詞。所以按照關(guān)鍵詞搜索不可避免的會(huì)影響搜索的查全率和查準(zhǔn)率。

在生物醫(yī)學(xué)領(lǐng)域中，名詞和術(shù)語(yǔ)比較多，一詞多義現(xiàn)象和多詞一義現(xiàn)象很多。除此之外，還有大量的術(shù)語(yǔ)之間的語(yǔ)義聯(lián)系，比如詞的上下位關(guān)系，關(guān)聯(lián)關(guān)系，難以通過(guò)關(guān)鍵詞搜索表現(xiàn)出來(lái)。所以，在搜索模塊中，有必要引入一個(gè)生物醫(yī)學(xué)領(lǐng)域統(tǒng)一的可控術(shù)語(yǔ)表，進(jìn)行語(yǔ)義擴(kuò)展的搜索。

2 UMLS（一體化醫(yī)學(xué)語(yǔ)言系統(tǒng)）及其語(yǔ)義網(wǎng)絡(luò)介紹

一體化醫(yī)學(xué)語(yǔ)言系統(tǒng) （Unified Medical Language System，UMLS），由美國(guó)國(guó)立醫(yī)學(xué)圖書(shū)館（NLM）研制并維護(hù)。UMLS是生物醫(yī)學(xué)概念所構(gòu)成的一部廣泛全面的敘詞表和本體，是對(duì)生物醫(yī)學(xué)科學(xué)領(lǐng)域內(nèi)許多受控詞表的一部綱目式匯編。UMLS提供的是一種位于這些詞表之間的映射結(jié)構(gòu)，使這些不同的術(shù)語(yǔ)系統(tǒng)之間能夠彼此轉(zhuǎn)換。 UMLS主要由超級(jí)敘詞表、語(yǔ)義網(wǎng)絡(luò)、專(zhuān)家詞典三個(gè)組件構(gòu)成。

超級(jí)敘詞表是UMLS的基礎(chǔ)。是由來(lái)自各種受控詞表的概念和術(shù)語(yǔ)以及它們之間的關(guān)系所構(gòu)成的集合； 超級(jí)敘詞表中收錄100多萬(wàn)個(gè)生物醫(yī)學(xué)概念和500多萬(wàn)個(gè)概念名稱(chēng)。概念源自UMLS收錄的100多部受控詞表和分類(lèi)系統(tǒng)。

超級(jí)敘詞表之中的每個(gè)概念都指定有至少一種“語(yǔ)義類(lèi)型（Semantic type）”。某些“語(yǔ)義關(guān)系”可以存在于多種語(yǔ)義類(lèi)型的成員之間。語(yǔ)義網(wǎng)絡(luò)正是這些語(yǔ)義類(lèi)型和語(yǔ)義關(guān)系所構(gòu)成的一種網(wǎng)絡(luò)式目錄。這是一種相當(dāng)寬泛的分類(lèi)；目前，其中共計(jì)有135種語(yǔ)義類(lèi)型和54種語(yǔ)義關(guān)系。

3 基于UMLS的醫(yī)學(xué)資源庫(kù)語(yǔ)義搜索系統(tǒng)架構(gòu)

利用UMLS做語(yǔ)義擴(kuò)展恰好能彌補(bǔ)資源搜索中關(guān)鍵詞匹配種種局限。因此，該文設(shè)想在醫(yī)學(xué)資源庫(kù)的搜索模塊中將UMLS的超級(jí)敘詞表作為搜索模塊的后控詞表。UMLS本身提供了SKR（語(yǔ)義知識(shí)表達(dá)）工具，可以以交互模式和批處理模式兩種進(jìn)行自然語(yǔ)言處理。其中，MTI （Medical Text Indexer）可以進(jìn)行文章的自動(dòng)標(biāo)引；MetaMap用來(lái)將自由詞映射到UMLS超級(jí)敘詞表中的詞匯；SemRep用來(lái)提取生物詞匯和短語(yǔ)中的語(yǔ)義類(lèi)型。UMLS提供了WEB API來(lái)訪(fǎng)問(wèn)這三個(gè)工具，也可以下載這些工具的安裝程序本地安裝使用。在這些工具中，MetaMap是SKR工具的核心，可以作為用戶(hù)和超級(jí)敘詞表之間的橋梁。

除了上述工具以外，UMLS的超級(jí)敘詞表和語(yǔ)義網(wǎng)絡(luò)中的數(shù)據(jù)可以通過(guò)兩種方式直接訪(fǎng)問(wèn)，一種是安裝MetamophorSys程序，同時(shí)將詞表文件及語(yǔ)義關(guān)系文件下載到本地，導(dǎo)入到MySQL數(shù)據(jù)庫(kù)或者Oracle數(shù)據(jù)庫(kù)，使用UMLS提供的JAVA API進(jìn)行本地訪(fǎng)問(wèn)；另一種是通過(guò)SOA服務(wù)訪(fǎng)問(wèn)，UMLS提供了WEB服務(wù)訪(fǎng)問(wèn)的接口，可以使用JAVA API基于WEB服務(wù)接口訪(fǎng)問(wèn)，實(shí)現(xiàn)基于服務(wù)的系統(tǒng)架構(gòu)。

綜合以上分析，基于UMLS的醫(yī)學(xué)資源庫(kù)的搜索模塊可以有四種形式的架構(gòu)：（1）下載安裝MetaMap映射工具，使用JAVA API訪(fǎng)問(wèn)本地MetaMap程序來(lái)使用超級(jí)敘詞表；（2）使用WEB API訪(fǎng)問(wèn)MetaMap WEB服務(wù)來(lái)使用超級(jí)敘詞表；（3）安裝MetamophorSys程序，使用JAVA API直接訪(fǎng)問(wèn)超級(jí)敘詞表；（4）使用美國(guó)國(guó)立圖書(shū)館提供的WEB API直接訪(fǎng)問(wèn)UMLS的WEB服務(wù)。。該文以使用MetaMap映射工具為例給出基于UMLS的搜索的流程，如圖1所示。

4 基于UMLS的搜索效果分析

下面對(duì)基于UMLS的搜索結(jié)果進(jìn)行理論分析，以術(shù)語(yǔ)“l(fā)ung cancer（肺癌）”的搜索為例。

1） 使用MetaMap工具映射到超級(jí)敘詞表，其搜索流程如圖2所示。

MetaMap的自動(dòng)文本映射主要步驟有文本解析、變量產(chǎn)生、入選敘詞、對(duì)入選敘詞賦值、映射構(gòu)造。在入選虛詞賦值這一步驟中，MetaMap基于向心度、變異度、覆蓋度、和內(nèi)聚性四個(gè)因素進(jìn)行綜合考慮，每個(gè)因素按照不同的權(quán)值進(jìn)行計(jì)算，計(jì)算結(jié)果在0到1000以?xún)?nèi)，1000表示最佳匹配。Lung cancer經(jīng)過(guò)MetaMap的映射結(jié)果如下：

Meta Candidates （Total=13； Excluded=5； Pruned=0； Remaining=8）

1000 Lung Cancer （Malignant neoplasm of lung） [Neoplastic Process]

1000 LUNG CANCER （Carcinoma of lung） [Neoplastic Process]

861 Cancer （Malignant Neoplasms） [Neoplastic Process]

861 Lung [Body Part， Organ， or Organ Component]

861 LUNG （Structure of parenchyma of lung） [Tissue]

861 Cancer （Cancer Genus） [Eukaryote]

861 Lung （Entire lung） [Body Part， Organ， or Organ Component]

861 Cancer （Primary malignant neoplasm） [Finding]

805 E Pulmonary （Pulmonary：-：Point in time：^Patient：-） [Clinical Attribute]

805 E Pulmonary （Pulmonary （qualifier value）） [Qualitative Concept]

768 E Pneumonia [Disease or Syndrome]

768 E Pulmonary Arteries （Pulmonary artery structure） [Body Part， Organ， or Organ Component]

768 E Pulmonary artery （Entire pulmonary artery） [Body Part， Organ， or Organ Component]

我們可看到，系統(tǒng)給出13個(gè)候選的敘詞，其中前兩個(gè)，“Malignant neoplasm of lung”和“Carcinoma of lung”是最佳匹配。我們也可以選擇將最佳匹配的詞做“OR”運(yùn)算，最終lung cancer的搜索轉(zhuǎn)換成[lung cancer] OR [Malignant neoplasm of lung] OR [Carcinoma of lung]。很明顯，這樣可以增加搜索的查全率和查準(zhǔn)率。

圖2

2） 直接查詢(xún)UMLS超級(jí)敘詞表。

直接搜索超級(jí)敘詞表有幾種方式，有詞匹配、精確匹配、模糊匹配等。在詞匹配的方式中，lung cancer除了匹配“Malignant neoplasm of lung”和“Carcinoma of lung”以外，還在語(yǔ)義上包含了很多上位關(guān)系詞、下位關(guān)系詞、相關(guān)關(guān)系詞、同義關(guān)系詞等。

RO | | MTH | Carcinoma of lung | C0684249

RO | | MTH | Neoplasm， uncertain whether benign or malignant | C0677041

RO | | MTH | Carcinoma， Small Cell | C0262584

RO | | MTH | Malignant neoplasm lung： [of bronchus or lung NOS] or [lung cancer] | C1578781

RB | | MTH | Squamous cell carcinoma of bronchus | C1314696

RO | | MTH | respiratory | C0521346

RB | | MTH | Bronchogenic Carcinoma | C0007121

RB | | MTH | Non-Small Cell Lung Carcinoma | C0007131

RB | | MTH | Adenocarcinoma of lung （disorder） | C0152013

RN | | MTH | Respiration Disorders | C0035204

RN | | MTH | Respiratory Tract Diseases | C0035242

RB | | MTH | Metastatic Carcinoma to the Lung | C0238254

RB | | MTH | Lung cancer stage unspecified （excl metastatic tumours to lung） | C0852936

RN | | MTH | Neoplasms | C0027651

RB | | MTH | Small cell carcinoma of lung | C0149925

RO | | MTH | Malignant neoplasm of bronchus or lung， unspecified | C0348343

RO | | MTH | Pulmonary Lunatism | C0815311

RO | | MTH | lung or tumor neoplasm | C0815116

RB | | MTH | Primary malignant neoplasm of lung | C1306460

RN | | MTH | Lung Neoplasms | C0024121

很明顯，詞匹配方式可以更加增加系統(tǒng)的查全率，但是查準(zhǔn)率有時(shí)候會(huì)有一定程度的下降，因?yàn)橛脩?hù)有的時(shí)候希望的是精確匹配，只要求同義詞而并不要求語(yǔ)義的向上、向下以及關(guān)聯(lián)的擴(kuò)展。而精確匹配的結(jié)果就和使用MetaMap最終映射的結(jié)果是一樣的，各種模式可以由系統(tǒng)開(kāi)發(fā)人員決定，靈活性更高。

3） 基于Pubmed搜索引擎進(jìn)行語(yǔ)義擴(kuò)展搜索、主題詞搜索、關(guān)鍵詞搜索三種模式的搜索效果比較。選取疾病類(lèi)、藥物類(lèi)的術(shù)語(yǔ)進(jìn)行實(shí)驗(yàn)，選取“l(fā)ung cancer”、“antibiotics”，“scar”，“gastric ulcer”， “acetylsalicylic acid”，“rash”，“insomnia”幾個(gè)術(shù)語(yǔ)。分別在搜索細(xì)節(jié)里改變搜索的模式，例如，“scar”在語(yǔ)義擴(kuò)展搜索中，最終搜索的形式是"cicatrix"[MeSH Terms] OR "cicatrix"[All Fields] OR "scar"[All Fields]；在關(guān)鍵詞搜索中，最終搜索的形式是"scar"[All Fields]；而在主題詞搜索模式中，最終的搜索形式是"scar"[All Fields]。三種模式搜索結(jié)果如表1：

表1

[檢索詞＼&UMLS＼&MeSH＼&關(guān)鍵字＼&lung cancer＼&229725＼&166485＼&146230＼&antibiotics＼&589945＼&256320＼&160775＼&scar＼&49422＼&29287＼&27421＼&gastric ulcer＼&53158＼&23370＼&41206＼&acetylsalicylic acid＼&55029＼&37073＼&8046＼&rash＼&21427＼&4494＼&17674＼&insomnia＼&15205＼&8489＼&11937＼&]

從上述搜索結(jié)果可以看到，基于UMLS的語(yǔ)義擴(kuò)展搜索結(jié)果明顯要比基于醫(yī)學(xué)主題詞和關(guān)鍵詞搜索要多，可以明顯提高搜索的查全率。而基于醫(yī)學(xué)主題詞和基于關(guān)鍵詞的搜索結(jié)果各有優(yōu)勢(shì)，原因是醫(yī)學(xué)語(yǔ)言中大量的同義詞和近義詞存在，標(biāo)引人員的選擇不同造成了標(biāo)注的詞不同。

5 總結(jié)

利用UMLS提供的MetaMap工具訪(fǎng)問(wèn)超級(jí)敘詞表和直接訪(fǎng)問(wèn)超級(jí)敘詞表都可以進(jìn)行醫(yī)學(xué)資源庫(kù)的語(yǔ)義擴(kuò)展查詢(xún)，理論上可以增強(qiáng)查準(zhǔn)率和查全率。使用本地程序訪(fǎng)問(wèn)和使用WEB API訪(fǎng)問(wèn)各有利弊，本地程序訪(fǎng)問(wèn)可以提高速度，但詞表需要手動(dòng)更新，利用WEB API通過(guò)WEB服務(wù)訪(fǎng)問(wèn)可以簡(jiǎn)化本地的配置，并且數(shù)據(jù)是實(shí)時(shí)更新的。同時(shí)，基于SOA的粗粒度系統(tǒng)模型減少了開(kāi)發(fā)人員的工作量，減少了程序模塊之間的耦合度，增加醫(yī)學(xué)資源庫(kù)系統(tǒng)本身的靈活性和獨(dú)立性。

參考文獻(xiàn)：

[1] 白海燕，王莉，梁冰.UMLS及其在智能檢索中的應(yīng)用[J].現(xiàn)代圖書(shū)情報(bào)技術(shù)，2012（4）.

[2] 邱君瑞.論一體化醫(yī)學(xué)語(yǔ)言系統(tǒng)（UMLS）知識(shí)表達(dá)的語(yǔ)義學(xué)特點(diǎn)[J].中華醫(yī)學(xué)圖書(shū)情報(bào)雜志，2002（7）.

[3] 趙沛沛，謝競(jìng)博，王國(guó).基于UMLS和Lucene的集成檢索模型[J].計(jì)算機(jī)科學(xué)，2010（10）.

[4] 李丹亞，胡鐵軍，李亞子.UMLS多詞表整合機(jī)制研究[J].數(shù)字圖書(shū)館論壇，2012（4）.

[5] 董小蕓.于一體化醫(yī)學(xué)語(yǔ)言系統(tǒng)（UMLS）的語(yǔ)義檢索實(shí)驗(yàn)研究[D].上海大學(xué)，2005.

[6] 王孝寧，陳海青，崔雷.利用MetaMap 抽取科研項(xiàng)目概念分析學(xué)科領(lǐng)域研究熱點(diǎn)的嘗試[J].中國(guó)醫(yī)學(xué)科研管理雜志，2008（6）.

[7] 張晗，任志國(guó)，于倩，等.基于UMLS醫(yī)學(xué)本體的挖掘文獻(xiàn)間的潛在聯(lián)系的設(shè)計(jì)與實(shí)現(xiàn)[J].現(xiàn)代圖書(shū)情報(bào)，2007（9）.

[8] http：//skr.nlm.nih.gov/interactive/index.shtml.

[9] http：//zh.wikipedia.org/wiki/UMLS.