Universidade Federal de São Carlos - UFSCar Departamento de Computação - DC Programa de Pós-Graduação em Ciência da Computação - PPGCC Metodologia de Pré-processamento Textual para Extração de Informação em Artigos Científicos do Domínio Biomédico Bom dia, apresentarei uma proposta de dissertação de mestrado cujo objetivo é (Título), sob a orientação do prof. Ricardo Rodrigues Ciferri. Aluno: Pablo Freire Matos Orientador: Dr. Ricardo Rodrigues Ciferri Coorientador: Dr. Thiago Alexandre S. Pardo Área: Banco de Dados
Roteiro Introdução Proposta de Dissertação Contexto Objetivos Este é o roteiro da apresentação que está dividido em três etapas: a Introdução, a Revisão Literária e a Posposta de Dissertação de Mestrado 08/10/09 WTDBD/SBBD
Roteiro Introdução Proposta de Dissertação Contexto Objetivos Vamos dar início com a contextualização... 08/10/09 WTDBD/SBBD
Contextualização Quantidade imensa de informação disponível Humanos não são capazes de assimilar todo esse conteúdo Informação via e-mail, blogs, wikis, artigos... + de 80% das informações estão em formato de texto Grantz (2007) Existe uma grande quant. de informação disponível, dificultando a assimilação de todo esse conteúdo por nós humanos e isso se deve ao alto percentual de inform. em formato textual Na Internet Onde nós Isso se deve Tan (1999) e Chen (2001) 08/10/09 WTDBD/SBBD
Contextualização PubMed Entrez - Sistema integrado do NCBI + de 18 milhões de artigos (desde 1966) MEDLINE (área de ciências + biomedicina) Entrez - Sistema integrado do NCBI 35 bases com 350 milhões de registros Sickle Cell Anemia 15.748 registros do PubMed (citações e resumos) 3.463 do PubMed Central (artigos completos) No domínio específico da área médica também encontra-se uma grande quant. de informação como pode ser observado no PubMed e no Entrez, ambos gerenciado pelo NCBI (Nation Center for Biotechnology Information). Uma consulta realizada no Entrez em março deste ano obteve + de 15 mil citações e resumos e + de 3 mil artigos completos. 08/10/09 WTDBD/SBBD
Solução: Mineração de Textos Contextualização Infinidade de meios de publicação American Journal of Hematology, Blood, British Journal of Haematology, Haematologica, The New England Journal of Medicine,… Leva tempo para ler e identificar as principais informações do artigo Solução: Mineração de Textos Esse grande número de inform. é gerado pela infinidade de meios de publicação, o que leva tempo para ler e identificar as informações principais Com isso a MT é uma solução para esse problema. Objetivo: Identificar e extrair informações relevantes Estruturar os dados Técnicas de pré-processamento 08/10/09 WTDBD/SBBD
Objetivos Identificar e extrair informações novas, úteis e interessantes em artigos científicos sobre a doença Anemia Falciforme Foco: efeitos positivos e negativos (do tratamento) Organização e armazenamento de informação em um BD para posterior mineração Dessas classes presentes já este sendo extraído informação de paciente por um aluno de mestrado, sendo sintoma, tratamento e fator de risco são focos de futuros trabalhos. sendo que trabalhos futuros tem o objetivo de extrair informação de paciente, sintoma, tratamento e fator de risco, com exceção de paciente que está sendo desenvolvido por um aluno de mestrado 08/10/09 WTDBD/SBBD
Exemplo de Extração de Termos Aprendizado de Máquina Regras e Dicionário BD Efeito Positivo Reductions in the frequency of chest syndrome and the number of transfusions strengthen the conclusion that hydroxyurea is a useful agent in sickle cell anemia Efeito Negativo she died during the second year of therapy from acute severe anemia during an episode of splenic sequestration Outros in some adolescents poor compliance was evident Efeito positivo somente é originado do tratamento? (11/08/2009) BD Reductions in the frequency of chest syndrome Reductions in the number of transfusions episode of splenic sequestration 08/10/09 WTDBD/SBBD
Roteiro Introdução Proposta de Dissertação Vamos dar início com a contextualização... 08/10/09 WTDBD/SBBD
Processo de MT É uma das fases mais críticas Feldman e Sanger (2007) Pág. 37 Existem na literatura vários processos de MT, com diferentes etapas. Esta figura resume um processo em 4 etapas, segundo os autores relacionados. Utiliza-se técnicas de RI a fim de selecionar as informações, cujo objetivo é aumentar a revocação do sistema Identificar e extrair informação Banco de Dados Tabela de atributo-valor Descoberta de conhecimento – algoritmos de MD, Análise dos Resultados – Avaliar os resultados É uma das fases mais críticas Feldman e Sanger (2007) 08/10/09 WTDBD/SBBD
Metodologia de Pré-processamento 08/10/09 WTDBD/SBBD
Pré-processamento Textual Sugestão Solange 08/10/09 WTDBD/SBBD
Processo Geral de Extração de Informação 08/10/09 WTDBD/SBBD
Categorização Classes Precisão de 68% Bag of clusters (1 a 5 gramas) Treinamento Teste Efeito Positivo Novo texto TXT Diversos arquivos com sentenças de efeito positivo Efeito Negativo Anthony e Lashkia (2003) Diversos arquivos com sentenças de efeito negativo MOVER Classes Precisão de 68% Saída Sistema de classificação de AS que utiliza o algoritmo de AM Naive Bayes para classificar as sentenças de acordo com as categorias predefinidas. Bag of clusters (1 a 5 gramas) Medidas de Utilidade Frequência de Documento Qui-quadrado Ganho de Informação Precisão: 86% Mover está sendo testado para ser utilizado como classificador das sentenças da AF Outros Diversos arquivos com sentenças de outros Conjunto de sentenças classificadas em classes 08/10/09 WTDBD/SBBD
Sentenças classificadas - Mover 08/10/09 WTDBD/SBBD
Análise dos Resultados - Classificação Taxa de Precisão (P) Baseline ≤ P ≤ Topline Baseline: Mover Topline: Taxa de precisão humana 50 sentenças (efeito positivo, efeito negativo e outros) Kappa de 6 anotadores (65,20%) Ganho de 27,01% Ganho de 18,99% Descartar exemplos controversos Calcular a precisão de forma + segura 77,58% (gene, proteína ou RNAm) Hatzivassiloglou, Duboue e Rzhetsky (2001 apud Schuemie et al., 2007) 08/10/09 WTDBD/SBBD
Considerações Sobre a Classificação Pré-processamento: 3 classes (Complicação, Benefício e Outro) Matriz atributo-valor Frequência mínima = 2 1 a 3 gramas sem stopword e sem stemmer Eliminar Ruído com J48 Balanceamento (Bias 1 em Java - Mantém a distribuição das classes) Seleção de Atributo (Meta) Ganho de Informação Classificador Naive Bayes Support Vector Machine 08/10/09 WTDBD/SBBD
Extração de Informação: Dicionário + Regras Identificar verdadeiro positivo (efeito positivo) Eliminar falso positivo (fator de risco) Elaborar como recuperar falsos negativos 1 reductions in the frequency of chest syndrome and the number of transfusions strengthen the conclusion that hydroxyurea is a useful agent in sickle cell anemia 2 in scd children hydroxyurea has been shown to decrease the rate and the intensity of painful events and the number of days of hospitalization 3 hydroxyurea therapy can ameliorate the clinical course of sickle cell anemia in some adults with three or more painful crises per year 4 treatment was also stopped in another patient because of the first occurrence of pathological tcd velocities 08/10/09 WTDBD/SBBD
Análise dos Resultados - Extração Precisão, Revocação e Medida-F (Extração de Informação) Comparação com outros trabalhos 08/10/09 WTDBD/SBBD
Quatro Experimentos Regras Regras e Dicionário AM e Regras AM, Regras e Dicionário 08/10/09 WTDBD/SBBD
Universidade Federal de São Carlos - UFSCar Departamento de Computação - DC Programa de Pós-Graduação em Ciência da Computação - PPGCC Metodologia de Pré-processamento Textual Voltada à Extração de Informação em Artigos Científicos do Domínio Biomédico Aluno: Pablo Freire Matos Orientador: Dr. Ricardo Rodrigues Ciferri Coorientador: Dr. Thiago Alexandre S. Pardo Área: Banco de Dados Dúvidas?
Cronograma de Atividades Defesa do exame de qualificação Classificação manual (anotadores: 3 médicos e 3 leigos) em três classes de 50 sentenças e cálculo da medida de concordância Kappa Treinamento e teste no classificador Mover de 500 a 1.500 sentenças identificadas manualmente nos artigos. Calcular a acurácia. Desenvolvimento do módulo de extração de efeitos da AF(abordagem baseada em regras e dicionário) Avaliar a extração de informação com as medidas de precisão, revocação e Medida-F Redação e submissão de artigo aos encontros qualificados de Ciência da Computação Concepção e projeto da ferramenta SCAeXtractor, integrando o módulo de classificação e o de extração nesta ferramenta para o processo de extração de informação ser realizado de forma transparente e automática Realização dos quatros testes propostos na análise dos resultados Preparação e defesa da dissertação Possibilitar ao especialista do domínio visualizar e validar o resultado da extração de informação Redação da dissertação de mestrado 08/10/09 WTDBD/SBBD
Referências ANTHONY, L.; LASHKIA, G. V. Mover: a machine learning tool to assist in the reading and writing of technical papers. IEEE Transactions on Professional Communication, v. 46, n. 3, p. 185-193, 2003. ARANHA, C. N. Uma abordagem de pré-processamento automático para mineração de textos em português: sob o enfoque da inteligência computacional. 144 f. Tese (Doutorado em Engenharia Elétrica) – Departamento de Engenharia Elétrica, Pontifícia Universidade Católica do Rio de Janeiro, Rio de Janeiro, 2007. BREMER, E. G. et al. Text mining of full text articles and creation of a knowledge base for analysis of microarray data. In: KNOWLEDGE EXPLORATION IN LIFE SCIENCE INFORMATICS (KELSI), 2004, Milan, Italy. Proceedings... 2004. p. 84-95. CHEN, H. Knowledge management systems: a text mining perspective. Tucson, AZ: University of Arizona, 2001. CORNEY, D. P. A. et al. BioRAT: extracting biological information from full- length papers. Bioinformatics, v. 20, n. 17, p. 3206-3213, 2004. 08/10/09 WTDBD/SBBD
Referências (cont. 1) FELDMAN, R.; DAGAN, I. Knowledge discovery in textual databases (KDT). In: INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY AND DATA MINING (KDD), 1995, Montréal, Québec. Proceedings... Menlo Park, CA: AAAI Press, 1995. p. 112-117. FELDMAN, R.; SANGER, J. The text mining handbook: advanced approaches in analyzing unstructured data. New York: Cambridge University Press, 2007. 391 p. GARTEN, Y.; ALTMAN, R. Pharmspresso: a text mining tool for extraction of pharmacogenomic concepts and relationships from full text. BMC Bioinformatics, v. 10, p. S6, 2009. Suppl. 2. GANTZ, J. F. et al. The expanding digital universe: a forecast of worldwide information growth through 2010. IDC Whitepaper, 2007. HEARST, M. A. Untangling text data mining. In: ANNUAL MEETING OF THE ASSOCIATION OF COMPUTATIONAL LINGUISTICS, 37th, 1999, College Park, Maryland. Proceedings... Morristown, NJ: Association for Computational Linguistics, 1999. p. 3-10. 08/10/09 WTDBD/SBBD
Referências (cont. 2) IMAMURA, C. Y.-M. Pré-processamento para extração de conhecimento de bases textuais. 103 f. Dissertação (Mestrado em Ciência de Computação e Matemática Computacional) – Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos, 2001. MARTINS, C. A. Uma abordagem para pré-processamento de dados textuais em algoritmos de aprendizado. 174 f. Tese (Doutorado em Ciência de Computação e Matemática Computacional) – Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos, 2003. MINISTÉRIO DA SAÚDE. Doença falciforme e outras hemoglobinopatias: anemia falciforme. 2008. NATIONAL CENTER FOR BIOTECHNOLOGY INFORMATION. PubMed. 2009. Disponível em: <http://www.ncbi.nlm.nih.gov/pubmed/>. Acesso em: 16 mar. 2009. NATIONAL CENTER FOR BIOTECHNOLOGY INFORMATION. Entrez, the life sciences search engine. 2009. Disponível em: <http://www.ncbi.nlm.nih.gov/Entrez/>. Acesso em: 26 mar. 2009. SCHUEMIE, M. J. et al. Distribution of information in biomedical abstracts and full-text publications. Bioinformatics, v. 20, n. 16, p. 2597-2604, 2004. 08/10/09 WTDBD/SBBD
Referências (cont. 3) ______. Evaluation of techniques for increasing recall in a dictionary approach to gene and protein name identification. Journal of Biomedical Informatics, v. 40, n. 3, p. 316-324, 2007. TAN, A.-H. Text mining: the state of the art and the challenges. In: KNOWLEDGE DISCOVERY FROM ADVANCED DATABASES (KDAD), 1999, Beijing, China. Proceedings... PAKDD, 1999. p. 71-76. TANABE, L.; WILBUR, W. J. Tagging gene and protein names in biomedical text. Bioinformatics, v. 18, n. 8, p. 1124-1132, 2002a. ______. Tagging gene and protein names in full text articles. In: WORKSHOP ON NATURAL LANGUAGE PROCESSING IN THE BIOMEDICAL DOMAIN, 2002, Phildadelphia, Pennsylvania. Proceedings... Morristown, NJ: Association for Computational Linguistics, 2002b. p. 9-13. 08/10/09 WTDBD/SBBD
Referências Classificação ANTHONY, L.; LASHKIA, G. V. Mover: a machine learning tool to assist in the reading and writing of technical papers. IEEE Transactions on Professional Communication, v. 46, n. 3, p. 185-193, 2003. BURSTEIN, J.; MARCU, D.; KNIGHT, K. Finding the WRITE stuff: automatic identification of discourse structure in student essays. Intelligent Systems, IEEE, v. 18, n. 1, p. 32-39, 2003. BATISTA, G. E. A. P. A.; PRATI, R. C.; MONARD, M. C. A study of the behavior of several methods for balancing machine learning training data. SIGKDD Explorations Newsletter, v. 6, n. 1, p. 20-29, 2004. HEY, D. F.; FELTRIM, V. D. Uma investigação sobre a aplicação de algoritmos de aprendizado à classificação de papéis retóricos. In: VIII Fórum de Informática e Tecnologia de Maringá, XI Mostra de Trabalhos de Informática, 2008, Maringá. Anais... Universidade Estadual de Maringá, 2008. p. 94-104. 08/10/09 WTDBD/SBBD
Referências Classificação (Cont.) WITTEN, I. H.; FRANK, E. Data mining: practical machine learning tools and techniques with Java implementations. 2nd ed. San Francisco, CA: Morgan Kaufmann, 2005. 525 p. 08/10/09 WTDBD/SBBD