در دنیای مدرن پزشکی، حجم عظیمی از داده‌ها به صورت روزانه تولید می‌شود. بخش قابل توجهی از این داده‌ها، مانند گزارش‌های بالینی، شرح حال بیماران و خلاصه‌ی ترخیص، به صورت متن بدون ساختار (Unstructured Text) هستند. این متون گنجینه‌ای از اطلاعات ارزشمند برای تحقیقات پزشکی، بهبود تصمیم‌گیری‌های بالینی و مدیریت سلامت عمومی به شمار می‌روند. با این حال، استخراج دستی این اطلاعات فرآیندی زمان‌بر، پرهزینه و مستعد خطای انسانی است. اینجاست که شاخه‌ای از هوش مصنوعی به نام پردازش زبان طبیعی (NLP) به کمک می‌آید.

مقاله “JaMIE: A Pipeline Japanese Medical Information Extraction System” که توسط گروهی از پژوهشگران برجسته ژاپنی ارائه شده، یک گام مهم در این مسیر است. این مقاله به طور خاص بر چالش‌های استخراج اطلاعات از متون پزشکی به زبان ژاپنی تمرکز دارد؛ زبانی که به دلیل ساختار گرامری پیچیده، استفاده از چندین سیستم نوشتاری (هیراگانا، کاتاکانا و کانجی) و عدم وجود فاصله‌گذاری مشخص بین کلمات، چالش‌های منحصربه‌فردی را برای سیستم‌های NLP ایجاد می‌کند. اهمیت این مقاله در ارائه یک ابزار متن‌باز و کارآمد به نام JaMIE است که می‌تواند به صورت خودکار اطلاعات کلیدی را از گزارش‌های پزشکی ژاپنی استخراج کرده و آن‌ها را به داده‌های ساختاریافته و قابل تحلیل برای ماشین تبدیل کند. این دستاورد نه تنها مسیر را برای تحقیقات پزشکی در ژاپن هموارتر می‌کند، بلکه راهکارهای آن می‌تواند الهام‌بخش پروژه‌های مشابه برای سایر زبان‌های پیچیده نیز باشد.

این مقاله حاصل همکاری تیمی از محققان برجسته در دانشگاه کیوتو و مؤسسه علم و فناوری نارا است که از مراکز پیشرو در زمینه هوش مصنوعی و پردازش زبان طبیعی در ژاپن و جهان محسوب می‌شوند. نویسندگان مقاله، آقایان و خانم‌ها Fei Cheng، Shuntaro Yada، Ribeka Tanaka، Eiji Aramaki و Sadao Kurohashi، همگی دارای سوابق درخشانی در حوزه‌های زبان‌شناسی محاسباتی و هوش مصنوعی هستند. این پژوهش در تقاطع دو حوزه مهم قرار دارد: انفورماتیک پزشکی و پردازش زبان طبیعی. هدف اصلی این زمینه تحقیقاتی، توسعه روش‌ها و ابزارهایی است که به رایانه‌ها امکان درک، تفسیر و استخراج اطلاعات مفید از زبان انسان در حوزه پزشکی را می‌دهند. این مقاله بر پایه دستاوردهای قبلی در زمینه استخراج اطلاعات پزشکی (MIE) بنا شده و با ارائه یک راهکار جامع و اختصاصی برای زبان ژاپنی، خلأ موجود در این حوزه را پر می‌کند.

مقاله JaMIE یک جعبه‌ابزار پردازش زبان طبیعی متن‌باز را برای استخراج اطلاعات پزشکی ژاپنی معرفی می‌کند. محور اصلی این پژوهش، توسعه یک سیستم خط لوله‌ای (Pipeline) است که طی سه مرحله‌ی اصلی، متون پزشکی بدون ساختار را تحلیل می‌کند. این سه مرحله عبارتند از:

• شناسایی موجودیت‌های پزشکی (Medical Entity Recognition): تشخیص و برچسب‌گذاری مفاهیم کلیدی مانند نام بیماری‌ها، داروها، علائم و روش‌های درمانی.
• طبقه‌بندی وجهیت موجودیت (Entity Modality Classification): تعیین زمینه و قطعیت یک موجودیت. برای مثال، آیا یک بیماری به صورت قطعی تشخیص داده شده، نفی شده، یا صرفاً یک احتمال است؟
• استخراج روابط (Relation Extraction): شناسایی ارتباطات پزشکی و زمانی بین موجودیت‌های شناسایی‌شده. برای نمونه، تعیین اینکه کدام دارو برای درمان کدام بیماری تجویز شده است.

برای دستیابی به این هدف، نویسندگان ابتدا یک طرح حاشیه‌نویسی (Annotation Schema) جدید و کارآمد برای برچسب‌گذاری روابط پزشکی و زمانی در گزارش‌های ژاپنی طراحی کردند. آن‌ها با استفاده از این طرح، دو نوع مختلف از گزارش‌های پزشکی را حاشیه‌نویسی کرده و از آن‌ها به عنوان داده‌های آموزشی برای مدل‌های خود بهره بردند. نتایج تجربی نشان می‌دهد که سیستم JaMIE عملکردی بسیار دقیق دارد و استراتژی حاشیه‌نویسی اتخاذ شده کاملاً مؤثر بوده است. علاوه بر این، پژوهش برتری مدل‌های مدرن مبتنی بر تعبیه‌سازی متنی زمینه‌گرا (Contextual Embedding) مانند BERT را در این وظایف پیچیده به اثبات می‌رساند.

معماری سیستم JaMIE بر یک رویکرد خط لوله‌ای استوار است که در آن خروجی هر مرحله، ورودی مرحله بعد را تشکیل می‌دهد. این رویکرد به دلیل سادگی در پیاده‌سازی و قابلیت تفسیرپذیری بالا انتخاب شده است. در ادامه، اجزای کلیدی روش‌شناسی این تحقیق تشریح می‌شوند.

الف. طرح حاشیه‌نویسی (Annotation Schema):
پایه و اساس هر سیستم یادگیری ماشین، داده‌های آموزشی باکیفیت است. محققان برای این منظور، یک راهنمای دقیق برای حاشیه‌نویسی روابط در متون پزشکی طراحی کردند. این طرح دو دسته اصلی از روابط را پوشش می‌دهد:

• روابط پزشکی: این روابط ارتباطات عملکردی بین موجودیت‌های پزشکی را توصیف می‌کنند. برای مثال، رابطه “Treatment-Disease” نشان می‌دهد که یک روش درمانی برای یک بیماری خاص به کار رفته است.
• روابط زمانی: این روابط ترتیب زمانی وقایع و موجودیت‌ها را مشخص می‌کنند. برای مثال، رابطه “Before” نشان می‌دهد که یک رویداد (مانند بروز علائم) قبل از رویداد دیگری (مانند بستری شدن) رخ داده است.

ب. معماری سیستم خط لوله‌ای:
سیستم JaMIE از سه مؤلفه اصلی تشکیل شده است:

1. مؤلفه اول: شناسایی موجودیت‌های نام‌دار پزشکی (Medical NER): این ماژول وظیفه دارد تا بخش‌هایی از متن را که به مفاهیم پزشکی اشاره دارند، شناسایی و دسته‌بندی کند. برای مثال، در جمله “بیمار به دلیل سردرد، آسپرین مصرف کرد”، این مؤلفه “سردرد” را به عنوان “بیماری” و “آسپرین” را به عنوان “دارو” برچسب‌گذاری می‌کند. برای این کار از مدل‌های پیشرفته‌ای مانند BERT استفاده شده است که می‌توانند معنای کلمات را بر اساس بافت جمله درک کنند.
2. مؤلفه دوم: طبقه‌بندی وجهیت موجودیت (Entity Modality Classification): پس از شناسایی موجودیت‌ها، لازم است زمینه آن‌ها مشخص شود. این مؤلفه تعیین می‌کند که آیا یک موجودیت به صورت قطعی (Actual) بیان شده، نفی شده (Negated) است، یا به صورت فرضی (Hypothetical) مطرح شده است. این تفکیک برای تحلیل دقیق بالینی حیاتی است. برای مثال، تفاوت زیادی بین “بیمار تب دارد” و “بیمار تب ندارد” وجود دارد.
3. مؤلفه سوم: استخراج روابط (Relation Extraction): در مرحله نهایی، سیستم به دنبال یافتن روابط از پیش تعریف‌شده بین جفت موجودیت‌های شناسایی‌شده می‌گردد. برای مثال، این مؤلفه می‌تواند یک رابطه “درمان می‌کند” بین “آسپرین” و “سردرد” برقرار کند. این کار به ساخت یک گراف دانش از اطلاعات موجود در متن کمک می‌کند.

ارزیابی‌های تجربی سیستم JaMIE نتایج بسیار امیدوارکننده‌ای را به همراه داشت که می‌توان آن‌ها را در چند بخش خلاصه کرد:

• عملکرد بسیار دقیق: سیستم در هر سه وظیفه اصلی خود به معیارهای ارزیابی بالایی (مانند F1-score) دست یافت. این امر نشان می‌دهد که معماری خط لوله‌ای و مدل‌های انتخاب‌شده برای تحلیل متون پزشکی ژاپنی بسیار مؤثر هستند.
• کیفیت بالای حاشیه‌نویسی: نتایج نشان داد که طرح حاشیه‌نویسی پیشنهادی، منسجم و قابل اعتماد است و متخصصان مختلف می‌توانند با توافق بالایی داده‌ها را بر اساس آن برچسب‌گذاری کنند. این موضوع کیفیت داده‌های آموزشی و در نتیجه عملکرد مدل نهایی را تضمین می‌کند.
• اثربخشی استراتژی تفکیک گزارش‌ها: آزمایش‌ها نشان داد که آموزش مدل‌ها به صورت جداگانه بر روی انواع مختلف گزارش‌های پزشکی (مانند خلاصه ترخیص و گزارش‌های رادیولوژی) نتایج بهتری نسبت به آموزش روی داده‌های ترکیبی دارد. این یافته اهمیت سازگاری دامنه (Domain Adaptation) در کاربردهای NLP را برجسته می‌کند.
• تأیید برتری مدل‌های مدرن: این پژوهش بار دیگر ثابت کرد که مدل‌های مبتنی بر معماری ترنسفورمر و تعبیه‌سازی‌های متنی زمینه‌گرا (مانند BERT) به طور قابل توجهی از روش‌های قدیمی‌تر در درک مفاهیم پیچیده زبان طبیعی عملکرد بهتری دارند.

سیستم JaMIE فراتر از یک پروژه تحقیقاتی صرف بوده و دستاوردها و کاربردهای عملی متعددی را به همراه دارد:

• تسریع تحقیقات بالینی: محققان می‌توانند با استفاده از JaMIE، به سرعت حجم عظیمی از پرونده‌های الکترونیک سلامت را تحلیل کرده و الگوهای پنهان، عوارض جانبی داروها و عوامل خطر بیماری‌ها را شناسایی کنند.
• بهبود سیستم‌های پشتیبانی از تصمیم‌گیری بالینی (CDSS): با تبدیل متن به داده‌های ساختاریافته، می‌توان اطلاعات کلیدی بیمار را به صورت خلاصه و سازمان‌یافته در اختیار پزشکان قرار داد تا تصمیمات درمانی بهتر و سریع‌تری اتخاذ کنند.
• متن‌باز و در دسترس بودن: یکی از بزرگترین دستاوردهای این پروژه، ارائه JaMIE به صورت یک جعبه‌ابزار متن‌باز است. این امر به سایر محققان و توسعه‌دهندگان اجازه می‌دهد تا از این سیستم استفاده کرده، آن را بهبود بخشند و برای کاربردهای جدید توسعه دهند.
• آموزش و پژوهش: این ابزار می‌تواند به عنوان یک منبع آموزشی ارزشمند برای دانشجویان و پژوهشگران علاقه‌مند به حوزه انفورماتیک پزشکی و NLP عمل کند و بستری برای توسعه الگوریتم‌های جدید فراهم آورد.

مقاله “JaMIE” یک راهکار جامع، دقیق و عملی برای چالش دیرینه استخراج اطلاعات از متون پزشکی ژاپنی ارائه می‌دهد. این سیستم با معماری خط لوله‌ای هوشمندانه و بهره‌گیری از آخرین پیشرفت‌های هوش مصنوعی، قادر است به طور مؤثر موجودیت‌های پزشکی، وجهیت آن‌ها و روابط میان آن‌ها را استخراج کند. نتایج قوی و عملکرد بالای این سیستم، پتانسیل آن را برای ایجاد تحول در نحوه استفاده از داده‌های بالینی در ژاپن نشان می‌دهد. مهم‌تر از همه، با متن‌باز کردن این ابزار، نویسندگان گامی بزرگ در جهت دموکراتیزه کردن فناوری‌های پیشرفته NLP در حوزه پزشکی و ترویج تحقیقات باز و مشارکتی برداشته‌اند. JaMIE نه تنها یک دستاورد فنی، بلکه یک سرمایه‌گذاری ارزشمند برای آینده سلامت دیجیتال است.