[发明专利]一种癌症相关信息自动收集方法及系统

说明书

技术领域

本发明属于模式识别领域，更具体地，涉及一种癌症相关信息自动收集系统及方法。

背景技术

癌症是一大类恶性肿瘤的统称。癌细胞的特点是无限制、无止境地增生，使患者体内的营养物质被大量消耗；癌细胞释放出多种毒素，使人体产生一系列症状；癌细胞还可转移到全身各处生长繁殖，导致人体消瘦、无力、贫血、食欲不振、发热以及严重的脏器功能受损等等。与之相对的有良性肿瘤，良性肿瘤则容易清除干净，一般不转移、不复发，对器官、组织只有挤压和阻塞作用，但癌症还可破坏组织、器官的结构和功能，引起坏死出血合并感染，患者最终由于器官功能衰竭而死亡。目前，癌症已成为人类健康的头号杀手。

现代医学研究认为，癌症与诸多因素相关联，是一种典型的多因素疾病。完整的收集和整理癌症相关信息，对于癌症的诊断治疗以及机理研究都有巨大的意义。然而，目前的癌症相关信息收集方法以及收集系统，都是针对某一类因素，如基因、蛋白质或者miRNA建立的，对象单一，并不能综合癌症相关信息，另外扩展性不佳。另外，现有的癌症相关信息收集方法，多为人工整理，较为费时费力。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种癌症相关信息自动收集系统及方法，其目的在于采用模式识别的方式，自动收集并整理癌症相关信息，并将与癌症显著相关的因素进行分类，由此解决现有的癌症相关信息收集技术对象单一、扩展性不佳或人工收集费时费力的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种癌症相关信息自动收集系统，包括文献存储模块、已知因素识别存储模块、未知因素存储模块、统计分析模块和癌症相关因素存储模块；

所述文献存储模块，用于获取与特定癌症相关文献数据，按照癌症种类将获取的文献数据进行分类存储，并将文献数据按照分解为单词，根据自然语言分类保留名词性词汇，将所有名词性词汇输出给已知因素识别存储模块；

所述已知因素识别存储模块，用于按照当前已知因素类别，存储已知因素类别识别器，获取所有名词性词汇，利用已知因素类别识别器，对所有名词性词汇进行识别并按照已知因素类别进行存储；无法识别为当前存储的已知因素类别时，将无法识别的名词输出给未知因素模块；

所述未知因素模块，用于接收所述已知因素识别存储模块无法识别的名词，并存储为未知因素，当出现统计分析模块判断为显著的未知因素时，将所述未知因素提交用户指定为当前存储的已知因素类别或新创件的已知因素类别，并将新创建的已知因素类别及其识别器提交给所述已知因素识别存储模块，并更新当前已知因素类别及其识别器；

所述统计分析模块，用于根据所述文献存储模块，癌症相关文献量及名词性词汇出现频率信息，采用共出现原理，评价癌症和名词性词汇的相关性，并根据预先设定的阈值，判断所述名词性词汇是否为显著的已知因素或显著的未知因素；

癌症相关因素存储模块，用于存储所有与癌症相关性名词性词汇、所述名词性词汇的已知因素类别或未知因素、以及其与癌症相关性，并以表的形式进行展示及查询。

优选地，所述癌症相关信息自动收集系统，其文献存储模块获取的与特定癌症相关的文献数据，为医学主题次系统标记的特定癌症相关文献。

优选地，所述癌症相关信息自动收集系统，其已知因素识别存储模块，其已知因素识别器为相应类别名词性词汇的正则表达式。

优选地，所述癌症相关信息自动收集系统，其已知因素识别存储模块，其类别包括操纵子、增强子、蛋白质编码基因、miRNA、piRNA。

优选地，所述癌症相关信息自动收集系统，其统计分析模块，采用费舍尔检验，获得p值，按照p值越大，相关性越小的原则，评价癌症和名词性词汇的相关性。

按照本发明的另一个方面，提供了癌症相关信息自动收集方法，包括以下步骤：

(1)文献存储模块获取与特定癌症相关的文献数据；

(2)文献存储模块对于步骤(1)中获取的每一篇文献，将文件内容分解成词汇，利用自然语言分析对词汇进行词性分类，保留名词性词汇；

(3)已知因素识别存储模块将步骤(2)中的词汇识别为已知因素和未知因素，已知因素按照基因功能性片段、蛋白质和糖类分类；

(4)统计分析模块将步骤(3)中获得的已知因素，根据费舍尔检验，判断所述已知因素与癌症关联的显著程度，对于显著程度超过预先设定的阈值的已知因素，保留所述已知因素为癌症相关因素；