Литературу об ИИ в онкологии можно сортировать скриптами: OncoTagger отобрал 20,8 тыс. статей

Исследователи автоматизировали отбор и разметку работ, которые иначе пришлось бы просматривать вручную. Система распределяет публикации по задачам, видам рака и ИИ, географии и исследовательским метрикам. Спорные записи проверяют люди: из 48 таких записей авторы сохранили 43.

Разметка задач. Основную задачу статьи OncoTagger определил так же, как эксперты, в 68% случаев. Среди 300 статей, которым система не назначила задачу, люди определили её у 250.

Числовые метрики система нашла в 60,4% аннотаций. На аудите 200 статей взвешенная точность обнаружения составила 92,3%, чувствительность — 89,3%, специфичность — 98,2%: авторы отдельно измерили правильность находок, пропуски и ложные срабатывания.

Запуск на выгрузке. Код и авторские словари доступны в GitHub-репозитории sciforce/OncoTagger. Для работы нужна собственная лицензированная выгрузка Web of Science Core Collection через личную или институциональную подписку. Авторы опубликовали поисковый запрос, а исходные записи в репозиторий не включили.

Для установки нужен Python 3.11 или новее. Зависимости ставятся командой `python -m pip install -r requirements.txt`, языковая модель spaCy скачивается через `python -m spacy download en_core_web_sm`.

Файлы `savedrecs*.csv`, `.xls` или `.xlsx` кладут в `data/raw/`. Затем по документации запускают скрипты:

- Объединения выгрузок. - Удаления дублей. - Фильтрации статей. - Разметки. - Агрегации результатов.

В отобранном корпусе годовой объём публикаций вырос с 741 статьи в 2019 году до 6 021 в 2025-м, то есть в 8,1 раза. За тот же период доля аннотаций с числовыми метриками увеличилась с 55,6% до 64,2%.

Код и словари OncoTagger опубликованы под лицензией MIT.