基于UMLS的肺癌治療研究熱點分析

，，

肺癌是全球最為常見的惡性腫瘤之一，發病率和死亡率呈明顯的升高趨勢，迄今為止，肺癌的病死率已居惡性腫瘤之首[1]。肺癌分為小細胞肺癌(small cell lung cancer,SCLC)和非小細胞肺癌(non-small cell lung cancer,NSCLC) ，其中80%-85%的肺癌為非小細胞肺癌。

隨著對肺癌研究的不斷深入，各種治療方法如手術[2]、放療、化療、分子靶向藥物治療[3]、基因治療[4]等在不斷創新和改進，國內外有關肺癌治療的論文數量持續增加。伴隨著新概念、新技術、新方法及新的科研主題的不斷產生、繁衍及更替，快速識別主題有助于科研人員及時了解前沿熱點的發展動向和確定科研方向，有助于醫學科研管理人員制定科研規劃。

通過對文本信息的整理和分析，可以監測肺癌治療方面研究的前沿熱點。目前較多采用基于主題詞的前沿熱點監測，由于主題詞均經過規范化，不能及時反應較新的詞或概念，不能完全反映文章的內容含義，忽略文中較為細節的知識。而采用基于自然語言的處理方式，通過UMLS的概念映射則可以解決上述問題。

1 方法與工具

1.1 方法

主題識別通常包括主題特征表示、主題特征抽取、主題獲取3個階段。現有的主題特征表示方式大都是基于關鍵詞或是Mesh主題詞，不能夠完全反映文章的內容含義。本研究利用醫學領域現有的知識組織體系——一體化醫學語言系統(Unified Medical Language System， UMLS)進行概念映射，以盡可能反映文章的內容含義，然后根據映射結果抽取第一組Meta Mapping概念，并進行語義類型的限定，最后利用主題模型進行主題獲取。

Blei[5]等在2003年提出了(Latent Dirichlet Allocation，LDA)模型。LDA模型是一個概率生成模型，同時也是一個話題模型，它的參數不會隨著文集增長而線性增長。LDA還是一個3層貝葉斯概率模型，包括詞、主題和文檔3層結構。它假設一篇文檔的每個詞都是通過“以一定概率選擇了某個主題，并從這個主題中以一定概率選擇某個詞語”過程得到的，并假設一篇文檔是由一些潛在的話題的多項式分布表示，而話題由一組詞的多項式分布組成，模型描述了文檔的生成過程。

也可將LDA看成是一種軟聚類的方法，它用詞頻分布表示每一個類別。與普通層次聚類等硬聚類方法不同，LDA聚類的結果中每篇文檔可以屬于多個不同的類別。

檢索2013-2014年PubMed數據庫中肺癌治療的相關文獻，檢索式為(“Lung Neoplasms/therapy”[Mesh] AND (“2013/01/01”[PDAT] : “2014/12/31”[PDAT])，檢索時間為2015年10月26日，檢索到9 055條文獻，用MEDLINE格式下載。

利用MetaMap進行UMLS概念映射，通過語義類型的限定去除較為寬泛意義的詞，利用LDA進行主題識別，用以監測肺癌治療的研究熱點。

1.2 工具

1.2.1 MetaMap(https://mmtx.nlm.nih.gov/)

MetaMap是一個把生物醫學文本與UMLS超級詞表中的概念匹配起來的程序，可以選擇設置參數，控制內部的運行方式及結果的輸出形式。

1.2.2 LDA[6]模型

LDA是一種文檔主題生成模型，也稱為三層貝葉斯概率模型，包含詞、主題和文檔3層結構。LDA是一種非監督機器學習技術，可以用來識別大規模文檔集(document collection)或語料庫(corpus)中潛藏的主題信息。

1.2.3 自編的java和MySQL程序

利用java自編程序完成格式的轉換。

2 實驗與結果

2.1 數據預處理

利用MetaMap進行概念映射，提交并得出結果(圖1)，平均一篇文摘對應100個UMLS概念。Meta Mapping為詞語匹配結果，數字為分數，分數越高，匹配程度越大，括弧內為語義類型。通過語義類型的限定去除無實質意義的詞，如with、advanced、due to等，以免影響對結果的解讀。

使用Java自編程序對映射結果進行處理，并用MySQL數據庫存儲。選擇第一組Meta Mapping 結果，并進行語義類型的限定，只包括語義類型為Neoplastic Process、Therapeutic or Preventive Procedure、Amino Acid, Peptide, or Protein,Immunologic Factor、Pathologic Function、Health Care Activity、Diagnostic Procedure、Sign or Symptom、Biomedical Occupation or Discipline、Disease or Syndrome、Substance、Organic Chemical,Pharmacologic Substance、Cell、Cell Function的詞。

2.2 主題模型識別主題

本文選擇的LDA開源工具是JGibbLDA，輸入文件格式見圖2。其中第一行表示語料文檔的數目，之后每一行是一個文檔，每一行的內容是文檔中的詞語，詞語內用點“.”連接，詞語間用空格連接，經過語義類型限定，得到的文獻數少于9 055條。

圖2 LDA的輸入文件格式

反復試驗、調整相關參數，最終將主題數設定為10，此時經專家評議效果較好。對2013-2014年PubMed中關于肺癌治療研究的文獻進行主題識別，各主題概率相對較大的前10個詞詳見表1、表2。

表1 應用主題模型后生成的前5個主題

表2 應用主題模型后生成的后5個主題

3 分析

通過應用主題模型，得到了肺癌治療研究的10個主題，對相關主題進行分析。

主題1為非小細胞肺癌的化療方案。相關的藥物研究包括順鉑、培美曲塞、貝伐單抗、多烯紫杉醇、紫杉醇、卡鉑、吉西他濱、伊立替康等一些常見藥和新藥。耿慧琴[7]用相關實驗證實貝伐單抗聯合培美曲塞+順鉑化療方案，有助于促進腫瘤緩解，降低VEGF水平，抑制腫瘤血管新生及延長整體生存時間。

主題2為肺癌的轉移研究。包括肺癌的腦轉移、肺癌的肝轉移、肺癌的腎轉移，以及乳房、結腸、直腸轉移，相關的治療方式包括放療、化療、轉移灶切除術等，主題鮮明直觀。現有相關研究如李永豪[8]等人證實對非小細胞肺癌伴腦轉移患者積極進行肺原發癌及腦轉移病灶切除術聯合放療和吉西他濱、替莫唑胺治療，可顯著提高患者的臨床療效，且先行腦部手術患者并發癥少，N0患者獲益明顯。

主題3為肺癌的癥狀和診斷。肺癌的癥狀包括咳嗽、咳血、胸痛、呼吸困難等，肺癌的診斷包括X射線計算機斷層掃描、血清檢測、支氣管鏡檢查、胸部CT、普通的胸部X光片、MRI、DSA等，主題3對癥狀和診斷總結的較好。現有的研究如劉青等人[9]證實CT是周圍型肺癌檢查的首選方法，X 線胸片是不可缺少的基礎，MRI 可作為參考補充，而 DSA 是周圍型肺癌診斷與治療的最好方法。

主題4為小細胞肺癌的治療研究。相關的研究包括小細胞肺癌的化療、靶向治療、化療方案、姑息治療、支持性護理、局限期小細胞肺癌、拓撲替康(藥物)、依托泊苷(藥物)、系統性治療、預防性治療、預防性腦放療、臨終關懷等，主題4對治療方式總結的全面、鮮明。現有的研究如李肇彥[10]證實同步放化療治療局限期小細胞肺癌，近期療效好，生存率高，且不良反應無明顯增加。

主題5為肺腺癌、肺鱗狀細胞癌的治療研究。相關的研究包括X射線計算機斷層掃描、正電子發射斷層掃描、外科手術、活組織檢查、射頻消融術、免疫組織化學、骨橋蛋白、光化學療法、胸部CT、胸膜外的全肺切除術、組織病理學、原位腺癌、診斷成像等，主題5對這兩種病的現有治療技術陳列較全面。現有的研究如張標[11]等人通過免疫組化方法研究 MTA1與 Bcl- 2在肺腺癌的表達與關系，證實Bcl-2蛋白的表達與肺腺癌的臨床分期、分化程度及癌灶轉移范圍密切相關，M TA1蛋白的表達與肺腺癌的發生發展及臨床分期密切相關。

主題6為肺癌的免疫療法、靶向治療。相關的研究包括重組血管內皮生長因子、疫苗接種、HSP90熱休克蛋白、單克隆抗體、血管生成抑制劑、抗體、阿扎胞苷、過繼免疫療法、色瑞替尼、克唑替尼、免疫佐劑等，主題6對免疫療法的相關技術總結全面。現有的研究如蔣濤[12]等人就 T 細胞相關的細胞免疫療法在非小細胞肺癌治療中的進展展開綜述，證實T 細胞為基礎的免疫療法在 NSCLC 的治療中顯示出了初步的臨床效果。

主題7為肺癌的手術治療。相關的研究包括葉切除術、電視胸腔鏡手術、淋巴結切除、全肺切除術、節段性乳房切除術、楔形切除術、術后并發癥、袖葉切除術、組織解剖、淋巴結解剖、縱隔鏡檢查、肺葉切除、術后化療、化療、輔助、并發癥、新輔助治療等，主題7將肺癌手術治療的相關技術總結的全面、系統。現有的研究如成德生[13]證實肺癌患者肺功能減低與否，均可接受手術治療，手術切除是治療肺癌患者的有效方法，值得進一步推廣。

主題8為肺癌的放射療法。相關的研究包括肺腫瘤、放射治療、立體定向放射治療、放療，強度、體積調制電弧療法(Volumetric-Modulated Arc Therapy)、放療，適形、放射性核素顯像、四維計算機斷層掃描、質子治療、輻射電離放射治療、搶救治療、皮疹,皮炎不良事件與放化療、肺毒性、I期非小細胞肺癌、III期非小細胞肺癌、劑量分餾、體外放射療法、碳離子放射治療、螺旋斷層放療等，主題8對放射療法的相關概念總結的較為全面。現有的研究如張千仕[14]證實肺癌放療后復發患者應用適形放療能提高近期治療效果，延長患者的生存期，毒性反應與常規放療相同，可在臨床推廣應用。

主題9為肺癌的miRNA及DNA研究。相關的研究包括肺癌、MicroRNAs、表達過程、蛋白質、順鉑、小干擾RNA、信使RNA、姜黃素、活性氧、三氧化二砷、免疫組織化學、異種移植過程、Stat3蛋白、索拉非尼、啟動子、質粒、DNA、腫瘤細胞轉化、白藜蘆醇等，主題9對有關miRNA和DNA的研究總結的較好。現有的研究如江娟[15]等人對miRNA 與肺癌早期診斷、治療和預后的研究進展展開綜述，證實miRNA 應用于肺癌的早期無創性診斷、治療和預后檢測潛在的應用信息已經大量涌現。

主題10為非小細胞肺癌的化療和靶向治療。相關的研究包括非小細胞肺癌、埃羅替尼、吉非替尼、表皮生長因子受體抑制劑、外顯子、西妥昔單抗、阿法替尼、酪氨酸蛋白激酶抑制劑、四期非小細胞肺癌、DNA、靶向治療、Mucin-1蛋白質、達克米替尼、蛋白質酪氨酸激酶抑制劑治療等，主題10對非小細胞肺癌的治療總結的較好。現有的研究如曲進[16]等人證實非小細胞肺癌小分子化合物(EGFR-TKI)靶向治療疾病進展后與化療交替治療可部分恢復小分子化合物敏感性，副反應可耐受，治療可行。

通過以上方法得到的主題，其內部含義比較清晰，主題間的區分比較明顯，可以幫助相關的科研人員和管理人員快速了解研究領域的發展前沿熱點，把握研究動向，了解熱點主題。

4 結論

針對主題詞不能完全反映文章內容的缺陷，本文采用自然語言處理的方式，對PubMed數據庫中的文獻進行UMLS概念映射，并利用LDA進行主題識別，識別出肺癌治療研究的前沿熱點，包括非小細胞肺癌的化療、靶向治療和化療方案研究，肺癌的癥狀、診斷和轉移研究，肺腺癌、肺鱗狀細胞癌和小細胞肺癌的治療研究，肺癌的免疫療法、靶向治療、手術治療和放射療法研究以及肺癌的miRNA及DNA研究，為相關醫學科研人員和管理人員提供參考借鑒，為同行進行文本挖掘研究提供借鑒。

本文不足之處在于主題數的設定受人為因素的干擾，主題內容的解讀還需結合人工判斷，今后研究應結合醫學領域的語義網向更加智能化的方向發展。