PubMed及其他：搜索生物医学文献的网络工具调查

对搜索结果进行排名

PubMed默认按时间倒序返回搜索结果。换句话说，最新的出版物总是最先返回。虽然按时间顺序返回结果有其自身的优点，但有几个系统致力于在排序结果中寻求替代策略。

• 参考医学(16)是基于机器学习和信息检索（IR）技术的最新发展。它首先根据用户查询检索搜索结果。接下来，它要求用户明确反馈相关文档，并使用这些信息通过所谓的学习排名算法RankSVM学习排名函数(17,18). 随后，学习的函数在下一次迭代中按相关性对检索结果进行排序。
• 奎特尔(19)是一家营利性私营企业最近开发的生物医学文献搜索引擎。它的核心概念识别功能允许用户将概念类别合并到搜索中。例如，他们的一个概念类别代表所有的蛋白质名称，因此用户可以搜索所有特定的蛋白质作为一个整体。还声称，它们基于上下文提取关系以改进文本检索。然而，它的细节并没有向公众明确描述。
• MedlineRanker（医学排名）(20)将与某个主题相关的一组文档作为输入，并基于Naive Bayes分类器自动学习表示该主题的最具辨别力的单词列表。然后，它可以使用所学单词对与该主题相关的新发表文章进行评分和排名。
• MiSearch公司(21)是一个在线工具，通过使用隐含相关性反馈对引文进行排名(22). 与RefMed不同，它使用用户点击历史作为隐式反馈，以对数似然比的形式识别与用户信息需求相关的术语。MEDLINE引文中包含大量此类相关术语，其排名将高于此类术语较少的引文。在隐式关联反馈模型中，他们还考虑了近因效应。
• Hikia公司(23)通过pubmed.hakia.com可以访问超过1000万条MEDLINE引文。由于这是一家私营公司的产品，除了据说是某种语义搜索技术外，尚不清楚他们的系统中使用了哪种排名算法。
• 语义MEDLINE^TM（TM）(24)基于认知搜索构建^TM（TM），由Cognition的专有语义NLP开发的系统^TM（TM）技术，它结合单词和短语知识来理解英语的语义。语义MEDLINE系统添加了生物医学中的特定词汇，以便更好地理解特定领域的语言。与Hikia一样，细节也不会向公众透露。
• 理学硕士(25)在功能方面与MedlineRanker基本相当。主要区别在于，在进行分类时，它使用MEDLINE注释（MeSH和期刊标识符）而不是抽象的单词（名词）。因此，Mscanner能够更快地处理文档，但无法处理注释不完整或缺失的文章。
• eTBLAST公司(26)能够通过查找与输入文本类似的文档来识别相关性。与PubMed的相关文章不同(27)eTBLAST使用两个文档之间重叠单词的总权重，根据单词对齐确定文本相似性。因此，在获得良好结果方面，抽象长度的文本输入优于短查询。
• 公共焦点(28)根据领域特定因素的混合来对文章进行排序，以对科学出版物进行排名：期刊影响因素、正向参考文献量、参考动态和作者的贡献水平。
• 吐司(29)基于经典的Okapi BM25排名算法(30)在通过生物医学主题词库或索引后词干分析自动扩展查询词时，可以保持检索性能。

将结果聚类为主题

第二组中五个系统的共同主题是搜索结果的分类，旨在更快地导航和更容易地管理大量返回的结果。开发这种技术是为了应对信息过载的问题：用户经常被一长串返回的文档淹没。如参考文献所述(31)通常情况下，该技术对于从医学期刊文章中查找相关信息是有效的。如下文所述，这五个系统主要在搜索结果的聚类方式上有所不同。

• 安妮·奥泰特(32)后处理检索PubMed搜索的结果，并将其分为一个预定义的类别：重要单词、MeSH主题、隶属关系、作者姓名、期刊和出版年份。重要单词在结果子集中的出现频率高于在整个MEDLINE中，因此它们将结果子集与MEDLINE的其余部分区分开来。单击给定的类别名称将显示该类别中的所有文章。要按多个类别查找文章，可以逐步遵循类别（例如，首先按出版年份限制结果，然后按期刊限制结果）。
• McSyBi公司(33)以两种不同的方式呈现聚类结果：分层或非分层。前者提供了搜索结果的概述，而后者显示了搜索结果之间的关系。此外，它还允许用户通过强制使用MeSH术语或她感兴趣的ULMS语义类型来重新聚类结果。更新后的集群会根据相关MeSH术语和从标题和摘要中提取的签名术语自动标记。
• GOPubMed公司(34)最初设计用于利用基因本体（GO）中的层次结构来组织搜索结果，从而允许用户按GO类别快速导航结果。最近，它能够将结果分为四个顶级类别：什么（生物医学概念）、谁（作者姓名）、哪里（附属机构和期刊）和何时（发表日期）。在哪个类别中，文章将根据相关GO、MeSH或UniProt概念进行进一步排序。
• ClusterMed公司(35)可以通过六种不同的方式对结果进行聚类：（i）标题、抽象和MeSH术语（TiAbMh）；（ii）标题和摘要（TiAb）；（iii）MeSH条款（Mh）；（iv）作者姓名（Au）；（v） 隶属关系（Ad）和（vi）出版日期（Dp）。例如，当通过TiAbMh对结果进行聚类时，来自标题/摘要和MeSH术语的选定单词都用作过滤器。与Hakia一样，ClusterMed是一家专门从事企业搜索平台的商业公司（Vivisimo）的专有产品。因此，公众并不知道如何选择过滤器。
• XplorMed公司(36)不仅通过MeSH类组织结果，它还允许用户探索感兴趣的主题和单词。具体来说，它首先使用MeSH返回结果的粗略聚类，为用户提供了将搜索限制在特定类别的机会。接下来，该工具显示所选摘要中的关键字。在这一步中，用户可以选择直接进入下一步或开始对显示的主题进行更深入的分析。前者将呈现密切相关的关键字链，而后者允许您探索不同关键字之间的关系及其在MEDLINE文章中的提及。最后，通过选择一个或多个链接关键字，系统返回按这些选定关键字排序的文章列表。

通过语义和可视化丰富结果

该组中的五个系统旨在分析搜索结果，并基于信息提取技术提供总结的语义知识（生物医学概念及其关系）。它们在三个方面有所不同：（i）生物医学概念的类型和要提取的关系；（ii）用于信息提取的计算技术；以及（iii）它们如何呈现提取结果。

• MedEvi公司(37)提供了用于语义查询的10个主要生物实体（例如基因）的概念变量，以便搜索结果绑定到相关的生物实体。此外，它还对搜索结果进行优先级排序，以首先返回那些引用，这些引用的匹配关键字与原始查询中出现的顺序对齐。
• EBIMED公司(38)从检索到的文档中提取蛋白质、GO注释、药物和物种。基于共现分析识别提取概念之间的关系。总体结果以表格形式显示。
• CiteXlore公司(39)是一个将文献搜索与文本挖掘工具相结合的系统，以提供对文献和生物数据的集成访问。除了PubMed的内容外，它还包含来自欧洲专利局和中国科学院上海生命科学信息中心的专利申请的摘要记录。CiteXplore的另一个特点是它包含了参考引用信息。
• 媒体(40)除了以（主语、动词、宾语）格式进行的标准关键字搜索外，还提供语义搜索，并返回与查询的语义关系匹配的文本片段（抽象句子）。它的输出基于对抽象句子的句法和语义分析。例如，语义搜索，如“什么导致结肠癌？”将要求输出的句子分别匹配“cause”和“colon cancer”作为事件动词和宾语。
• PubNet（公共网络）(41)代表Publication Network Graph Utility。它解析标准PubMed查询的XML输出，并根据用户选择的节点和边的类型创建不同类型的网络。节点可以是文章、作者或某些数据库ID（例如PDB ID）的代表，边缘是基于共享作者、MeSH术语或位置构建的（文章具有相同的从属邮政编码）。图形网络是借助于专用可视化软件绘制的。

改善搜索界面和检索体验

该组中的系统为标准PubMed搜索提供了替代接口。他们旨在提高文献搜索的效率，并经常利用新的Web技术。它们具有新颖的搜索/检索功能，而PubMed目前无法提供这些功能，这在实践中可能是一些用户的首选。

• iPubMed公司(42)提供交互式搜索界面：键入时搜索。当用户在搜索框中键入几个字符时，系统将立即显示包含该文本的任何引文，以便用户缩小搜索范围。此外，该系统允许出现轻微的拼写错误。
• 公共获取(43)直接在搜索结果中显示PDF，这样用户就不必通过PubMed结果中指向PubMedCentral或特定期刊网站的链接来获取PDF。
• Babelmesh公司(44)提供了一个界面，以便用户可以用英语以外的语言搜索医学术语和短语。目前支持的语言包括阿拉伯语、汉语、荷兰语等。用户的原始查询被翻译成英语，然后搜索相关引文。
• HubMed公司(45)使用Web服务提供各种功能，从PubMed中可用的功能（如日期排序搜索结果和自动词条扩展）到新功能（如相关性排序搜索结果）；相关文章的聚类和图形显示；以多种格式直接导出引文元数据；关键词与外部信息源的链接；以及手动分类和存储感兴趣的文章。
• 任务MEDLINE(46,47)旨在处理医疗环境中以问题或复杂短语形式的用户查询。它最初是作为分析临床问题的工具开发的，用于自动完成患者、干预、比较、结果（PICO）表格，但后来作为非专业医学信息寻求者的工具推出，因为它能够从解析的医学术语中检索相关引用。
• SLIM公司(48)是PubMed搜索的滑块界面。它具有多个滑动条，以不同的方式控制搜索限制。
• PICO公司(49)它代表患者/问题、干预、比较和结果，是一种用于构建临床问题的方法。它的搜索界面也可以在手持设备上使用。
• PubCrawler（公共爬虫）(50,51)检查并通过电子邮件将MEDLINE中的每日更新发送到用户保存的预先指定搜索。

其他荣誉提名

其他几个系统值得注意，尽管它们没有在表1由于未能满足我们的一个或多个预定义要求：

• PubMed助理(52)、阿里巴巴(53)和PubMed-EX(54)PubMed系列中有三个非基于Web的系统（违反了要求系统基于Web的选择标准#1）。PubMed assistant属于提高可用性的系统组：它提供了有用的功能，例如关键字突出显示、易于导出到引文管理器等。AliBaba和PubMed-EX都致力于通过从文本中识别基因/蛋白质、疾病和其他生物医学实体来实现语义丰富。此外，AliBaba还在图中呈现共现结果。
• iHop公司(55)、奇利伯特(56)，PolySearch(57)和Semedico(58)是四个有代表性的系统，专注于挖掘特殊主题之间的关联（违反了要求系统处理一般主题的选择标准2）。iHop和Chilibot将挖掘限制在识别MEDLNE句子中的基因和蛋白质，而PolySearch支持更广泛的类别（例如疾病）搜索。Semidico目前只索引分子生物学（生物医学的一个分支领域）的文章；它从检索到的文档中挖掘各种生物医学概念（例如基因/蛋白质名称），以支持分面导航。权威(59)是专门化系统的另一个例子。它使用统计方法消除作者姓名的歧义，从而有可能找到个别作者写的文章。
• 为了改进生物医学文献搜索，PubFinder等其他系统(60)ReleMed公司(61)、MedMiner(62)和PubClust(63,64)已被提议。不幸的是，这些系统在2010年5月31日测试时均未投入使用（违反选择标准#3）。PubFinder与MScanner和MedlineRanker类似，其设计目的是根据特定主题文档的输入集，按相关性对文档进行排序。基于所选的摘要，自动计算与主题相关的单词列表，随后用于选择属于所定义主题的文档。与MScanner或MedlineRanker不同，它根据输入和引用集中出现的单词来查找信息性单词。ReleMed，最近由Siadaty提出等. (61)，使用句子级共现作为查询词之间存在关系的替代项。MedMiner建议过滤和组织PubMed返回的大量搜索结果，类似于对搜索结果进行分类的想法。同样，PubClust也是基于自组织地图开发的(65)以分层方式对检索到的摘要进行聚类。

搜索

因为大多数用户只在第一个结果页面上检查少数返回的结果[参考文献中的图7(三)]毫无疑问，按相关性显示引文是文献检索的一个理想特征。“排名搜索结果”部分列出的10个系统在这方面与PubMed不同。尽管这些系统中的大多数都将用户关键词作为输入，但它们在处理关键词以及随后使用关键词检索相关引文的方式上各不相同。与PubMed的ATM一样，Twease也有自己的查询扩展组件，可以在原始用户关键字中添加额外的MeSH术语和其他术语。此技术通常可以提高召回率，并且在原始查询检索到很少或零结果时特别有用(13). 另一方面，“排名搜索结果”部分列出的其他系统主要是为了提高PubMed默认的反向时间排序方案的精确度。他们的排名策略各不相同，从传统的IR技术，如显性/隐性反馈（RefMed/MiSearch）和相关性排名（Twease），到利用特定领域的重要因素，如期刊影响因素和引文数量（PubFocus），一些未知的专有语义NLP技术（Hikia和SemanticSearch）。

结果分析

默认情况下，PubMed在一个页面中返回20个搜索结果，并在单击结果时显示标题、摘要和其他书目信息。最近的研究集中于对标准PubMed输出的两种扩展。首先，由于PubMed搜索通常会产生一长串引文供人工检查，因此“将结果聚类为主题”一节中提到的系统旨在为检索到的文章总结的主要主题提供一个简短列表。因此，用户可以导航并选择关注感兴趣的主题。这类似于为结果集构建过滤器(66). 在这方面，选择合适的主题词将搜索结果聚类为有意义的组是这些方法成功的关键。目前，大多数系统都依赖于从标题/摘要或生物医学控制词汇/本体（例如MeSH）中选择重要词汇作为代表性主题术语。

标准PubMed输出的第二个扩展是由于文本识别技术的进步。特别是，语义注释被认为是未来科学出版的可能基石之一(67)尽管其全部益处尚未确定。因此，随着命名实体识别和生物医学信息提取技术的发展和成熟，一些系统呈现了深度语义丰富的总结结果。现有系统（“用语义和可视化丰富结果”部分）主要关注于在自由文本中发现基因、蛋白质、药物、疾病和物种及其生物关系，如蛋白质相互作用。这些领域的问题在文本挖掘社区中受到了最大的关注(68,69).

界面和可用性

除了提供改进的搜索质量外，许多系统还努力提供更好的搜索界面，包括对输入和输出的各种更改。iPubMed的一个创新功能是“search-as-you-type”，因此用户可以在检查检索结果的同时动态选择查询。其他关于替代输入接口的建议有助于用户提出特定问题（PICO，askMedline），允许非英语查询（BabelMeSH），并提倡使用滑块设置限制（SLIM）。关于输出的变化，有两个主要方向。首先，两个系统使用了额外的组件，以使汇总结果在图形中可见（ALiBaba和PubNet）。其次，有几个系统可以更方便地访问PDF（PubGet）和外部引文管理器（PubMed助理；HubMed）。

作者感谢与约翰·威尔伯、黄敏莉和谢娜塔莉的有益讨论。