۱. معرفی مقاله و اهمیت آن

در عصر اطلاعات و داده‌های حجیم، پردازش زبان طبیعی (NLP) به ابزاری حیاتی برای استخراج دانش از متون بدون ساختار تبدیل شده است. در حوزه پزشکی، حجم عظیمی از اطلاعات بالینی در قالب گزارش‌های پاتولوژی، یادداشت‌های پزشکان و پرونده‌های الکترونیکی سلامت ذخیره شده‌اند که اغلب به صورت متن آزاد هستند. استخراج دقیق و خودکار این اطلاعات برای تحقیقات پزشکی، تشخیص بیماری، تصمیم‌گیری بالینی و سیاست‌گذاری سلامت اهمیت بسزایی دارد.

یکی از چالش‌های اصلی در به‌کارگیری یادگیری عمیق (DL) برای NLP پزشکی، ناتوانی مدل‌های استاندارد در درک و استفاده از دانش تخصصی حوزه است. بردارهای کلمه‌ای (Word Embeddings) که معنا و بافت کلمات را به صورت عددی رمزگذاری می‌کنند، پایه و اساس بسیاری از مدل‌های DL در NLP هستند. با این حال، اکثر روش‌های موجود برای تولید بردارهای کلمه‌ای، تنها بر اساس هم‌رخدادی کلمات در متن آموزش می‌بینند. این رویکرد، در حالی که برای کاربردهای عمومی NLP مؤثر است، اغلب نمی‌تواند روابط عمیق و تخصصی بین مفاهیم پزشکی را که برای وظایف خاص بالینی حیاتی هستند، به خوبی جذب کند.

مقاله حاضر با عنوان “ادغام دانش حوزه با یادگیری عمیق گراف دانش پزشکی برای فنوتیپ‌سازی سرطان” به این شکاف مهم می‌پردازد. این پژوهش یک روش نوین را برای ادغام دانش خارجی از هستی‌شناسی‌های اصطلاحات پزشکی در بافت بردارهای کلمه‌ای پیشنهاد می‌دهد. هدف اصلی، بهبود عملکرد مدل‌های یادگیری عمیق در وظایف NLP پزشکی، به ویژه در فنوتیپ‌سازی سرطان از گزارش‌های پاتولوژی است. اهمیت این مقاله در ارائه راهکاری عملی برای غلبه بر محدودیت‌های مدل‌های NLP عمومی در حوزه‌های تخصصی و باز کردن مسیرهای جدید برای کاربردهای هوش مصنوعی در پزشکی، به ویژه در مبارزه با سرطان، نهفته است.

۲. نویسندگان و زمینه تحقیق

این مقاله حاصل تلاش و همکاری گروهی از متخصصان برجسته در حوزه‌های هوش مصنوعی، یادگیری ماشین، پردازش زبان طبیعی، انفورماتیک پزشکی و انکولوژی است. نویسندگان مقاله عبارتند از:

• Mohammed Alawad
• Shang Gao
• Mayanka Chandra Shekar
• S. M. Shamimul Hasan
• J. Blair Christian
• Xiao-Cheng Wu
• Eric B. Durbin
• Jennifer Doherty
• Antoinette Stroup
• Linda Coyle
• Lynne Penberthy
• Georgia Tourassi

حضور ترکیبی از محققین با تخصص‌های متنوع نشان‌دهنده ماهیت بین‌رشته‌ای این تحقیق است. این تیم به دنبال پل زدن میان پیشرفت‌های نظری در یادگیری ماشین و نیازهای عملی در حوزه سرطان‌شناسی است. زمینه تحقیق این مقاله در تقاطع هوش مصنوعی و پزشکی قرار دارد؛ جایی که چالش‌های بالینی (مانند نیاز به استخراج دقیق ویژگی‌های سرطان برای درمان و تحقیقات) با ابزارهای محاسباتی پیشرفته (مانند یادگیری عمیق و گراف‌های دانش) مورد بررسی قرار می‌گیرند. این رویکرد مبتنی بر داده، پتانسیل زیادی برای تحول در نحوه پردازش و استفاده از اطلاعات پزشکی دارد.

۳. چکیده و خلاصه محتوا

همانطور که در چکیده مقاله ذکر شده، بردارهای کلمه‌ای یکی از اجزای کلیدی یادگیری عمیق برای پردازش زبان طبیعی هستند. این بردارها باید بتوانند معنا و بافت کلماتی که نماینده آن‌ها هستند را به طور مؤثر به تصویر بکشند تا عملکرد مدل‌های DL را در وظایف مختلف NLP بهبود بخشند.

چالش اصلی این است که بسیاری از تکنیک‌های موجود برای تولید بردارهای کلمه‌ای، صرفاً بر اساس هم‌رخدادی کلمات در اسناد و متون عمومی (مانند ویکی‌پدیا یا اخبار) بافت کلمات را استخراج می‌کنند. این رویکرد اغلب از درک روابط وسیع‌تر و تخصصی‌تر دامنه بین مفاهیم، که برای وظیفه NLP مورد نظر حیاتی هستند، ناتوان است. به عنوان مثال، در یک متن پزشکی، کلمه “cell” می‌تواند به یک سلول بیولوژیکی اشاره داشته باشد در حالی که در یک متن عمومی ممکن است به “سلول زندان” یا “تلفن همراه” اشاره کند. بدون دانش حوزه، مدل‌ها در تشخیص این تمایزات معنایی با مشکل مواجه می‌شوند.

در پاسخ به این مشکل، نویسندگان مقاله یک روش ابتکاری برای ادغام دانش خارجی از هستی‌شناسی‌های اصطلاحات پزشکی در بافت بردارهای کلمه‌ای پیشنهاد می‌کنند. آن‌ها به طور خاص، از یک گراف دانش پزشکی مانند سیستم یکپارچه زبان پزشکی (UMLS) برای یافتن ارتباطات بین اصطلاحات بالینی در گزارش‌های پاتولوژی سرطان استفاده می‌کنند. هدف این رویکرد، کمینه‌سازی فاصله بین مفاهیم بالینی مرتبط در فضای برداری است. به عبارت دیگر، کلماتی که در دنیای واقعی و در دانش پزشکی به هم مرتبط هستند، باید در فضای بردارهای کلمه‌ای نیز به هم نزدیک‌تر باشند.

برای ارزیابی این روش، آن‌ها از یک شبکه عصبی پیچشی چندوظیفه‌ای (MT-CNN) برای استخراج شش ویژگی سرطان – محل (site)، زیرمحل (subsite)، جانبی بودن (laterality)، رفتار (behavior)، بافت‌شناسی (histology)، و درجه (grade) – از مجموعه‌ای شامل تقریباً ۹۰۰,۰۰۰ گزارش پاتولوژی سرطان استفاده کردند. نتایج نشان داد که مدل MT-CNN با استفاده از بردارهای کلمه‌ای غنی شده با دانش حوزه، در تمام وظایف عملکرد بهتری نسبت به همان مدل MT-CNN با استفاده از بردارهای word2vec استاندارد دارد. این بهبود در امتیازات F1 میکرو و ماکرو کلی به ترتیب ۴.۹۷٪ و ۲۲.۵٪ بوده است که نشان‌دهنده ارتقاء قابل توجهی در دقت و کارایی است.

۴. روش‌شناسی تحقیق

روش‌شناسی این تحقیق بر پایه ایده غنی‌سازی بردارهای کلمه‌ای با دانش تخصصی حوزه بنا شده است. مراحل کلیدی روش‌شناسی به شرح زیر است:

۴.۱. تولید بردارهای کلمه‌ای پایه

ابتدا، بردارهای کلمه‌ای اولیه با استفاده از روش‌های استاندارد (مانند word2vec یا FastText) بر روی یک مجموعه داده بزرگ از متون پزشکی (مانند گزارش‌های بالینی) آموزش داده می‌شوند. این بردارها بافت کلمات را بر اساس هم‌رخدادی آن‌ها در متن ضبط می‌کنند، اما هنوز فاقد روابط معنایی عمیق‌تر دامنه هستند.

۴.۲. ادغام دانش حوزه با استفاده از گراف دانش پزشکی

این مرحله قلب روش پیشنهادی است. محققان از یک گراف دانش پزشکی، مانند سیستم یکپارچه زبان پزشکی (UMLS)، برای شناسایی و کمی‌سازی روابط بین اصطلاحات بالینی استفاده می‌کنند. UMLS یک منبع جامع شامل اصطلاحات پزشکی، تعاریف و روابط بین آن‌ها است. این سیستم شامل چندین هستی‌شناسی و واژه‌نامه (مانند MeSH، SNOMED CT) است که مفاهیم را به صورت سلسله‌مراتبی و شبکه‌ای به هم متصل می‌کند.

برای هر جفت اصطلاح بالینی مرتبط در گراف دانش، هدف این است که فاصله آن‌ها در فضای برداری کاهش یابد. به عنوان مثال، اگر UMLS نشان دهد که “آدنوکارسینوم” (Adenocarcinoma) نوعی از “کارسینوم” (Carcinoma) است، یا اینکه “متاستاز به گره‌های لنفاوی” (lymph node metastasis) یک عارضه مرتبط با “سرطان پستان” (breast cancer) است، مدل سعی می‌کند بردارهای کلمه‌ای مربوط به این مفاهیم را در فضای برداری به هم نزدیک‌تر کند. این کار معمولاً از طریق یک تابع هزینه (loss function) انجام می‌شود که جریمه‌ای را برای جفت کلمات مرتبطی که از هم دور هستند، اعمال می‌کند. این فرآیند آموزش را به گونه‌ای هدایت می‌کند که بردارهای کلمه‌ای علاوه بر بافت متنی، روابط معنایی حوزه را نیز به خوبی منعکس کنند.

۴.۳. مدل یادگیری عمیق برای ارزیابی

برای ارزیابی کارایی بردارهای کلمه‌ای غنی شده، از یک شبکه عصبی پیچشی چندوظیفه‌ای (Multitask Convolutional Neural Network – MT-CNN) استفاده شده است. انتخاب مدل چندوظیفه‌ای هوشمندانه است زیرا چندین ویژگی سرطان (مانند محل، بافت‌شناسی و درجه) اغلب از یک متن مشترک استخراج می‌شوند و یادگیری همزمان آن‌ها می‌تواند باعث اشتراک‌گذاری دانش و بهبود کلی عملکرد شود.

مدل MT-CNN به گونه‌ای طراحی شده است که بتواند از گزارش‌های پاتولوژی سرطان، شش ویژگی کلیدی سرطان را استخراج کند:

• محل (Site): اندام یا بافتی که سرطان در آن آغاز شده است. (مثال: “پستان”، “ریه”)
• زیرمحل (Subsite): بخش خاصی از محل اصلی. (مثال: “لوب فوقانی ریه”)
• جانبی بودن (Laterality): سمت راست یا چپ بدن در مورد اندام‌های دوتایی. (مثال: “راست”، “چپ”)
• رفتار (Behavior): خوش‌خیم (benign) یا بدخیم (malignant) بودن تومور.
• بافت‌شناسی (Histology): نوع سلولی یا بافتی سرطان. (مثال: “آدنوکارسینوم”، “کارسینوم سلول سنگفرشی”)
• درجه (Grade): میزان تهاجمی بودن یا تمایز سلولی سرطان. (مثال: “درجه ۱ (خوش‌خیم)”، “درجه ۳ (تهاجمی)”)

۴.۴. مجموعه داده

این تحقیق بر روی یک مجموعه داده بزرگ و واقعی شامل تقریباً ۹۰۰,۰۰۰ گزارش پاتولوژی سرطان انجام شده است. استفاده از چنین حجم عظیمی از داده‌های بالینی، اعتبار و تعمیم‌پذیری نتایج را به شدت افزایش می‌دهد و اطمینان می‌دهد که مدل آموزش‌دیده می‌تواند در سناریوهای واقعی پزشکی عملکرد مؤثری داشته باشد.

۴.۵. معیار ارزیابی

عملکرد مدل با استفاده از معیارهای استاندارد ارزیابی در NLP، به ویژه F1-score (میکرو و ماکرو)، اندازه‌گیری شده است. F1-score ترکیبی از دقت (precision) و فراخوان (recall) است و معیار مناسبی برای ارزیابی مدل‌ها در مسائل طبقه‌بندی نامتعادل است.

۵. یافته‌های کلیدی

نتایج ارزیابی به وضوح نشان داد که روش پیشنهادی برای ادغام دانش حوزه، به بهبود قابل توجهی در عملکرد مدل MT-CNN منجر می‌شود. این یافته‌ها را می‌توان به شرح زیر خلاصه کرد:

• برتری چشمگیر بردارهای کلمه‌ای غنی شده: مدل MT-CNN که از بردارهای کلمه‌ای غنی شده با دانش حوزه استفاده می‌کرد، به طور مداوم و در تمام شش وظیفه فنوتیپ‌سازی سرطان، عملکرد بهتری نسبت به همان مدل با استفاده از بردارهای word2vec استاندارد داشت. این نشان می‌دهد که وارد کردن اطلاعات از گراف دانش پزشکی، ابهام زدایی از اصطلاحات پزشکی و درک دقیق‌تر روابط معنایی را بهبود می‌بخشد.
• افزایش قابل توجه در F1-score:
  • افزایش ۴.۹۷٪ در Micro-F1 Score کلی: این معیار، میانگین F1-score را برای تمام نمونه‌ها در تمام وظایف محاسبه می‌کند و نشان‌دهنده بهبود کلی در دقت طبقه‌بندی است.
  • افزایش ۲۲.۵٪ در Macro-F1 Score کلی: این معیار، میانگین F1-score را به طور جداگانه برای هر کلاس (و سپس برای هر وظیفه) محاسبه کرده و سپس میانگین می‌گیرد. بهبود چشمگیر در Macro-F1 Score به ویژه مهم است زیرا نشان می‌دهد که مدل نه تنها در کلاس‌های پرتکرار، بلکه در کلاس‌های کمتر رایج نیز عملکرد بهتری از خود نشان داده است. این امر در پزشکی، جایی که برخی از انواع سرطان یا ویژگی‌ها نادرتر هستند، حیاتی است.
• سازگاری بهبود در تمام وظایف: بهبود عملکرد در تمام شش ویژگی سرطان (محل، زیرمحل، جانبی بودن، رفتار، بافت‌شناسی و درجه) مشاهده شد. این سازگاری، قدرت تعمیم‌پذیری روش پیشنهادی را در وظایف مختلف استخراج اطلاعات پزشکی تأیید می‌کند. به عنوان مثال، درک رابطه بین “آدنوکارسینوم” و “بدخیم” برای پیش‌بینی رفتار تومور بسیار مهم است، و بردارهای غنی شده این ارتباط را بهتر capture می‌کنند.
• کاهش ابهام معنایی: با ادغام دانش از UMLS، بردارهای کلمه‌ای قادر شدند ابهامات معنایی کلمات را در بافت پزشکی کاهش دهند. به عنوان مثال، اگر کلمه “mass” در یک گزارش پاتولوژی ظاهر شود، بردارهای غنی شده آن را به عنوان یک “توده” یا “ضایعه” در نظر می‌گیرند و نه “جرم” فیزیکی، زیرا گراف دانش پزشکی این ارتباط را تقویت می‌کند.

این یافته‌ها تأکید می‌کنند که صرفاً تکیه بر هم‌رخدادی کلمات برای مدل‌های NLP در حوزه‌های تخصصی کافی نیست و ادغام صریح دانش دامنه می‌تواند به طور قابل توجهی به بهبود عملکرد منجر شود.

۶. کاربردها و دستاوردها

دستاوردهای این تحقیق کاربردهای گسترده‌ای در حوزه پزشکی و هوش مصنوعی سلامت دارند که می‌توانند تحول‌آفرین باشند:

۶.۱. فنوتیپ‌سازی خودکار و دقیق سرطان

مهمترین دستاورد، توانایی استخراج خودکار و بسیار دقیق ویژگی‌های کلیدی سرطان از گزارش‌های پاتولوژی بدون ساختار است. این امر به کاهش نیاز به بررسی دستی این گزارش‌ها توسط متخصصان پاتولوژی یا کدگذاران پزشکی کمک می‌کند، که فرآیندی زمان‌بر، پرهزینه و مستعد خطاست. دقت بالاتر به معنای اطلاعات قابل اعتمادتر برای:

• سیستم‌های ثبت سرطان (Cancer Registries): بهبود کیفیت و کارایی ثبت اطلاعات سرطان که برای نظارت بر شیوع، درمان و پیامدهای بیماری حیاتی هستند.
• تصمیم‌گیری بالینی: پزشکان می‌توانند به سرعت به اطلاعات ساختاریافته از گزارش‌های پاتولوژی دسترسی پیدا کنند، که به تصمیم‌گیری‌های درمانی بهتر و شخصی‌سازی شده برای بیماران کمک می‌کند.
• تحقیقات بالینی و اپیدمیولوژیک: محققان می‌توانند به راحتی مجموعه داده‌های بزرگی از بیماران سرطانی را با ویژگی‌های دقیق طبقه‌بندی شده ایجاد کنند، که سرعت و کیفیت مطالعات را افزایش می‌دهد.

۶.۲. توسعه سیستم‌های پشتیبانی از تصمیم بالینی

بردارهای کلمه‌ای غنی شده می‌توانند به عنوان ورودی برای سیستم‌های پیچیده‌تر پشتیبانی از تصمیم بالینی (CDSS) مورد استفاده قرار گیرند. این سیستم‌ها می‌توانند به پزشکان در تشخیص زودهنگام، انتخاب پروتکل‌های درمانی مناسب و پیش‌بینی پاسخ به درمان کمک کنند.

۶.۳. کشف دانش و رابطه در داده‌های پزشکی

این روش می‌تواند در کشف روابط جدید بین بیماری‌ها، علائم، داروها و ژن‌ها از متون پزشکی به کار گرفته شود. با غنی‌سازی بردارهای کلمه‌ای با دانش حوزه، می‌توان روابط پنهان را که در متون عمومی قابل شناسایی نیستند، آشکار کرد و به پیشرفت در کشف دارو و پزشکی دقیق کمک کرد.

۶.۴. بهبود تعامل انسان و کامپیوتر در حوزه پزشکی

با درک بهتر زبان پزشکی توسط ماشین‌ها، می‌توان رابط‌های کاربری هوشمندتری برای متخصصان سلامت توسعه داد، از جمله سیستم‌های پرسش و پاسخ که می‌توانند به سؤالات پیچیده بالینی پاسخ دهند یا خلاصه‌ای از پرونده بیمار را ارائه دهند.

۶.۵. الگویی برای سایر حوزه‌های تخصصی

روش پیشنهادی برای ادغام دانش حوزه در بردارهای کلمه‌ای، یک الگوی عمومی ارائه می‌دهد که می‌تواند در سایر حوزه‌های تخصصی (مانند حقوق، مهندسی، یا علوم فضایی) نیز به کار گرفته شود، جایی که دانش تخصصی و هستی‌شناسی‌های غنی وجود دارند و پردازش زبان طبیعی نیاز به درک عمیق معنایی دارد.

به طور خلاصه، این تحقیق نه تنها یک راهکار عملی و مؤثر برای یک چالش مهم در انفورماتیک سرطان ارائه می‌دهد، بلکه رویکردی نوآورانه را برای پیشبرد پردازش زبان طبیعی در تمام حوزه‌های نیازمند به درک عمیق معنایی، بنیان می‌نهد.

۷. نتیجه‌گیری

مقاله “ادغام دانش حوزه با یادگیری عمیق گراف دانش پزشکی برای فنوتیپ‌سازی سرطان” نقطه عطفی مهم در تقاطع هوش مصنوعی و پزشکی به شمار می‌رود. این پژوهش به طور قانع‌کننده‌ای نشان می‌دهد که تنها با تکیه بر بافت کلمات در متون عمومی نمی‌توان به سطح دقت لازم برای کاربردهای حیاتی در حوزه‌های تخصصی مانند پزشکی دست یافت.

نویسندگان با معرفی و اعتبارسنجی روشی برای ادغام دانش ساختاریافته از گراف‌های دانش پزشکی (مانند UMLS) در فرآیند تولید بردارهای کلمه‌ای، موفق به غلبه بر این محدودیت شده‌اند. نتایج آزمایش‌ها بر روی یک مجموعه داده بزرگ از گزارش‌های پاتولوژی سرطان، با استفاده از یک مدل MT-CNN، بهبودهای چشمگیری را در استخراج شش ویژگی کلیدی سرطان نشان داده است. افزایش ۴.۹۷٪ در Micro-F1 و به ویژه ۲۲.۵٪ در Macro-F1، مؤید اثربخشی این رویکرد در درک عمیق‌تر معنای اصطلاحات پزشکی و کاهش ابهامات معنایی است.

این تحقیق نه تنها به پیشرفت‌های عملی در فنوتیپ‌سازی سرطان و جمع‌آوری داده‌های دقیق‌تر برای ثبت سرطان و تحقیقات کمک می‌کند، بلکه یک چارچوب کلی برای غنی‌سازی مدل‌های NLP با دانش حوزه فراهم می‌آورد. این چارچوب می‌تواند به طور بالقوه به سایر زمینه‌های پزشکی و غیرپزشکی نیز تعمیم یابد، جایی که دانش تخصصی نقش کلیدی ایفا می‌کند.

در آینده، این رویکرد می‌تواند بیشتر توسعه یابد. به عنوان مثال، می‌توان به بررسی ادغام انواع دیگر دانش‌های پزشکی (مانند مسیرهای بیولوژیکی، اطلاعات ژنومیک) یا استفاده از گراف‌های دانش بزرگ‌تر و پیچیده‌تر پرداخت. همچنین، می‌توان این روش را برای زبان‌های دیگر یا برای وظایف NLP بالینی دیگر، مانند شناسایی عوارض جانبی داروها یا پیش‌بینی روند بیماری، به کار برد.

در مجموع، این مقاله یک گام رو به جلو در جهت ساخت سیستم‌های هوش مصنوعی پزشکی هوشمندتر و قابل اعتمادتر است که قادر به درک پیچیدگی‌های زبان بالینی هستند و در نهایت، به بهبود مراقبت از بیماران و پیشبرد علم پزشکی کمک شایانی خواهند کرد.