基于BERTopic的术语提取方法从生物医学文本中提取信息，用于本体构建：利用Plotkin疫苗语料库评估疫苗本体

《Journal of Biomedical Semantics》：BERTopic-driven term extraction from biomedical texts toward ontology population: evaluating vaccine ontology with Plotkin’s vaccines corpus

　　

摘要

背景

本体论对于构建生物医学知识结构、支持语义集成、推理和数据互操作性至关重要。在疫苗学领域，本体论的构建尤为重要，因为疫苗涉及多个不同的领域。一个定义明确的疫苗本体论（VO）能够实现知识的一致表示，促进数据集之间的集成，并支持决策支持、文献挖掘和语义搜索等应用。然而，在这个快速发展的领域中，手动构建本体论既繁琐又耗时，且难以维护，这凸显了自动化或半自动化方法的需求。

方法

我们提出了一种半自动化流程，该流程利用Transformer的双向编码表示（Bidirectional Encoder Representations）和主题建模（BERTopic）从生物医学文本中提取与本体论相关的概念。为了评估这种自动化方法的有效性，我们将该方法应用于Plotkin的《疫苗》语料库，这是一个在疫苗学领域具有权威性的参考文献，综合了关于疫苗的科学、临床和政策视角。该工作流程整合了多个自然语言处理（NLP）组件：使用spaCy进行文档预处理和词性标注及向量化；通过轻量级Transformer模型（all-MiniLM-L6-v2）生成句子嵌入；使用均匀流形近似和投影（UMAP）进行降维；利用基于层次密度的空间聚类算法（HDBSCAN）进行聚类；以及通过基于类别的词频-逆文档频率（c-TF-IDF）进行主题表示。为了引导主题发现朝向与疫苗相关的概念并过滤无关术语，该流程引入了一组从现有疫苗本体论中提取的、专注于疫苗的术语作为种子词，以影响主题表示，同时保持聚类过程的无监督特性。为了提高可解释性，该流程使用BERT嵌入（KeyBERT）进行关键词提取以实现自动关键词标注，并辅以消歧义的描述性标签；同时利用双向和自回归Transformer（BART）进行主题级别的摘要生成。最终得到的层次化主题结构通过一个树合并模块进行进一步优化，将该模块将多个主题层次结构统一为一种类似本体的表示形式。提取出的主题由主题专家（SMEs）进行审查，以过滤无关术语，然后将其映射到已建立的疫苗本体论中，以评估其相关性和覆盖范围，从而展示了自动化方法如何减少手动构建本体论所需的大量工作。

结果

该脚本可生成不同数量的主题和关键词。在本研究中，从Plotkin的《疫苗》各章节中提取了前50个主题，每个主题包含10个关键词。该流程产生了连贯的主题簇，涵盖了疫苗学中的关键主题，包括免疫机制、特定病原体的疫苗以及疫苗类型。层次化树合并过程展示了语义相关概念的分组方式，并可以提示潜在的本体论细分。这有助于可视化从数据中得出的概念关系，特别有助于主题专家审查、解释和验证候选概念。

结论

本研究证明了基于BERTopic的半自动化方法从生物医学文本中提取与本体论相关概念的可行性。该方法使用一个基础的疫苗学语料库进行了评估，并与现有的成熟疫苗本体论进行了对比，以确定提取主题的相关性和覆盖范围。将主题映射到已建立的本体论中，有助于识别概念对齐和无关术语，随后由主题专家进行审查。结果表明，所提出的方法能够有效地提取出有意义的、与本体论相关的概念，同时显著减少了手动构建本体论所需的时间和精力，从而为支持本体论的维护和丰富提供了一种可扩展的策略。