در عصر حاضر، پردازش زبان طبیعی (NLP) نقشی کلیدی در استخراج دانش و اطلاعات از حجم انبوه داده‌های متنی ایفا می‌کند. در حوزه پزشکی، این موضوع اهمیت دوچندانی می‌یابد، زیرا داده‌های متنی غنی از اطلاعات بالینی، تحقیقاتی و دارویی هستند. با این حال، یکی از چالش‌های اساسی در اعمال روش‌های پیشرفته NLP بر متون پزشکی، کمبود داده‌های برچسب‌گذاری شده است. برای غلبه بر این محدودیت، رویکردهای “یادگیری با نمونه کم” (Few-Shot Learning – FSL) به عنوان راهکاری امیدوارکننده مطرح شده‌اند. این مقاله به بررسی نظام‌مند روش‌های FSL در حوزه NLP پزشکی می‌پردازد و شکاف‌های موجود در این زمینه را روشن می‌سازد.

این مقاله حاصل تلاش پژوهشگرانی چون Yao Ge، Yuting Guo، Yuan-Chi Yang، Mohammed Ali Al-Garadi و Abeed Sarker است. این گروه تحقیقاتی با تمرکز بر تقاطع “محاسبات و زبان” و “یادگیری ماشین”، به بررسی کاربردهای نوآورانه مدل‌های زبانی در حوزه‌های تخصصی مانند پزشکی پرداخته‌اند. اهمیت تحقیق آن‌ها در پاسخ به نیاز روزافزون به ابزارهای هوشمندی نهفته است که بتوانند بدون نیاز به حجم عظیمی از داده‌های آموزشی، الگوهای پیچیده موجود در متون پزشکی را درک و پردازش کنند. این توانایی می‌تواند منجر به تسریع اکتشافات علمی، بهبود تشخیص بیماری‌ها و شخصی‌سازی درمان‌ها شود.

هدف: روش‌های یادگیری با نمونه کم (FSL) به تعداد کمی نمونه برچسب‌دار برای آموزش نیاز دارند. از آنجایی که بسیاری از موضوعات پزشکی در عمل با داده‌های متنی برچسب‌گذاری شده محدودی مواجه هستند، روش‌های NLP مبتنی بر FSL وعده‌های بزرگی را به همراه دارند. هدف این مرور نظام‌مند، بررسی وضعیت روش‌های FSL برای NLP پزشکی بوده است.

مواد و روش‌ها: مقالات منتشر شده بین ژانویه ۲۰۱۶ تا اوت ۲۰۲۱ از پایگاه‌های داده PubMed/Medline، Embase، ACL Anthology و IEEE Xplore Digital Library جستجو شدند. برای شناسایی آخرین روش‌های مرتبط، منابع دیگری مانند سرورهای پیش‌چاپ (مانند medRxiv) از طریق Google Scholar نیز مورد جستجو قرار گرفتند. مقالاتی که شامل FSL و هر نوع متن پزشکی بودند، گنجانده شدند. اطلاعات مقالات بر اساس منبع(های) داده، هدف(ها)، اندازه مجموعه آموزشی، روش(های) اولیه/رویکرد(ها) و روش(های) ارزیابی استخراج شدند.

نتایج: ۳۱ مطالعه معیارهای ورود را برآورده کردند که همگی پس از سال ۲۰۱۸ منتشر شده بودند؛ ۲۲ مورد (۷۱٪) از سال ۲۰۲۰ به بعد. استخراج مفهوم/شناسایی موجودیت نام‌گذاری شده (Named Entity Recognition – NER) پرتکرارترین وظیفه مورد بررسی بود (۱۳/۳۱؛ ۴۲٪)، پس از آن طبقه‌بندی متن (۱۰/۳۱؛ ۳۲٪) قرار داشت. بیست و یک (۶۸٪) مطالعه مجموعه داده‌های موجود را برای ایجاد سناریوهای نمونه کم به صورت مصنوعی بازسازی کردند و MIMIC-III پرکاربردترین مجموعه داده بود (۷/۳۱؛ ۲۳٪). روش‌های رایج شامل FSL با مکانیزم‌های توجه (Attention Mechanisms) (۱۲/۳۱؛ ۳۹٪)، شبکه‌های نمادین (Prototypical Networks) (۸/۳۱؛ ۲۶٪) و فرا-یادگیری (Meta-Learning) (۶/۳۱؛ ۱۹٪) بودند.

بحث: علیرغم پتانسیل FSL در NLP زیست‌پزشکی، پیشرفت‌ها در مقایسه با FSL مستقل از دامنه، محدود بوده است. این ممکن است به دلیل کمیابی مجموعه داده‌های استاندارد و عمومی، و عملکرد نسبتاً پایین‌تر روش‌های FSL در موضوعات زیست‌پزشکی باشد. ایجاد و انتشار مجموعه داده‌های تخصصی برای FSL زیست‌پزشکی می‌تواند با امکان‌سنجی تحلیل‌های مقایسه‌ای، به توسعه روش‌ها کمک کند.

این مطالعه یک مرور نظام‌مند (Systematic Review) است که با هدف ارائه تصویری جامع از وضعیت یادگیری با نمونه کم در حوزه پردازش زبان طبیعی پزشکی انجام شده است. رویکرد پژوهشگران شامل مراحل دقیق و سازمان‌یافته زیر بوده است:

• جستجوی جامع مقالات: پژوهشگران با استفاده از پایگاه‌های اطلاعاتی معتبر علمی مانند PubMed/Medline، Embase، ACL Anthology و IEEE Xplore Digital Library، مقالاتی را که بین ژانویه ۲۰۱۶ تا اوت ۲۰۲۱ منتشر شده بودند، جستجو کردند. این دوره زمانی برای پوشش دادن آخرین پیشرفت‌ها در این حوزه انتخاب شده است.
• جستجوی منابع تکمیلی: برای اطمینان از شناسایی تمامی روش‌های نوین و مرتبط، جستجو به منابعی مانند سرورهای پیش‌چاپ (مانند medRxiv) و استفاده از Google Scholar نیز گسترش یافت. این امر به ویژه برای گنجاندن مقالاتی که هنوز در مجلات رسمی منتشر نشده بودند، حیاتی است.
• معیارهای ورود و خروج: مقالات برای ورود به این مرور، باید شامل دو معیار اصلی می‌بودند: ۱) استفاده از روش‌های یادگیری با نمونه کم (FSL) و ۲) اعمال این روش‌ها بر روی انواع متون پزشکی. این معیارها اطمینان حاصل کردند که فقط مطالعات مرتبط با موضوع اصلی بررسی، مورد تحلیل قرار گیرند.
• استخراج داده‌ها: از مقالات پذیرفته شده، اطلاعات کلیدی مانند منبع(های) داده مورد استفاده، اهداف اصلی تحقیق، اندازه مجموعه داده‌های آموزشی (با تأکید بر کمبود نمونه)، روش(های) اصلی مورد استفاده (مانند انواع مدل‌ها و تکنیک‌ها)، و روش(های) ارزیابی عملکرد، استخراج گردید. این اطلاعات ساختاریافته، پایه تحلیل‌های بعدی را فراهم کرد.

این رویکرد نظام‌مند تضمین می‌کند که یافته‌ها بر اساس شواهد قوی و جمع‌آوری شده به طور عینی و جامع باشند.

این مرور نظام‌مند، نتایج قابل توجهی را در مورد وضعیت فعلی یادگیری با نمونه کم در NLP پزشکی آشکار ساخته است:

• رشد تصاعدی تحقیقات: تمامی ۳۱ مطالعه‌ای که معیارهای ورود را برآورده کردند، پس از سال ۲۰۱۸ منتشر شده بودند و بخش قابل توجهی از آن‌ها (۷۱٪) مربوط به دوره پس از سال ۲۰۲۰ بود. این نشان‌دهنده افزایش چشمگیر توجه و فعالیت پژوهشی در این حوزه در سال‌های اخیر است.
• وظایف رایج:
  • استخراج مفهوم/NER: پرتکرارترین کاربرد FSL در متون پزشکی، استخراج مفاهیم کلیدی و شناسایی موجودیت‌های نام‌گذاری شده (مانند نام بیماری‌ها، داروها، علائم) با ۴۲٪ از مطالعات بود. این امر نشان‌دهنده نیاز مبرم به دسته‌بندی و استخراج دقیق اطلاعات از سوابق پزشکی است.
  • طبقه‌بندی متن: در رتبه بعدی، طبقه‌بندی متون پزشکی (مانند تشخیص نوع بیماری بر اساس شرح حال، دسته‌بندی مقالات پژوهشی) با ۳۲٪ از مطالعات قرار داشت.
• چالش داده و رویکردهای مصنوعی: در غیاب داده‌های برچسب‌گذاری شده فراوان، بسیاری از مطالعات (۶۸٪) رویکردی مبتنی بر بازسازی مصنوعی مجموعه‌داده‌های موجود را برای ایجاد سناریوهای نمونه کم اتخاذ کرده بودند. این یعنی محققان از داده‌های بزرگ و از پیش برچسب‌گذاری شده، زیرمجموعه‌های کوچکی را برای شبیه‌سازی شرایط “نمونه کم” ایجاد می‌کردند.
• مجموعه داده پرکاربرد: پایگاه داده MIMIC-III که شامل داده‌های مراقبت‌های ویژه بیماران است، به عنوان پرکاربردترین منبع داده در این مطالعات شناخته شد (۲۳٪).
• روش‌های کلیدی FSL:
  • مکانیزم‌های توجه (Attention Mechanisms): این روش‌ها، که به مدل اجازه می‌دهند بر بخش‌های مهم‌تر متن تمرکز کند، در ۳۹٪ از مطالعات مورد استفاده قرار گرفتند.
  • شبکه‌های نمادین (Prototypical Networks): این رویکرد که بر اساس یافتن “نماد” (Prototype) برای هر کلاس در فضای ویژگی عمل می‌کند، در ۲۶٪ از مطالعات به کار رفت.
  • فرا-یادگیری (Meta-Learning): یا “یادگیری نحوه یادگیری”، با ۱۹٪ از مطالعات، به عنوان یک استراتژی قدرتمند برای تطبیق سریع مدل‌ها با وظایف جدید و داده‌های کم مطرح شد.

یادگیری با نمونه کم در حوزه متون پزشکی پتانسیل تغییر پارادایم‌های فعلی را دارد. دستاوردها و کاربردهای بالقوه این رویکرد عبارتند از:

• بهبود استخراج اطلاعات بالینی: با استفاده از FSL، سیستم‌ها می‌توانند با دیدن تنها چند نمونه از علائم یا تشخیص‌های نادر، آن‌ها را از گزارش‌های پزشکی شناسایی کنند. این امر به پزشکان کمک می‌کند تا سریع‌تر به اطلاعات حیاتی دسترسی یابند.
• کمک به تشخیص زودهنگام بیماری‌ها: اگر مدل‌های FSL بتوانند الگوهای اولیه بیماری را حتی با داده‌های بسیار کم تشخیص دهند، می‌توانند به عنوان ابزاری برای غربالگری و تشخیص زودهنگام بیماری‌ها به کار روند.
• دستیار پژوهشی: محققان می‌توانند از FSL برای دسته‌بندی مقالات علمی، شناسایی روندها یا یافتن مطالعات مرتبط در حوزه‌های تخصصی که داده‌های محدودی دارند، استفاده کنند.
• شخصی‌سازی درمان: با تحلیل سوابق پزشکی فردی که ممکن است منحصر به فرد باشد، FSL می‌تواند به پیشنهاد روش‌های درمانی متناسب با وضعیت خاص بیمار کمک کند.
• کاهش بار کاری متخصصان: خودکارسازی وظایف پردازش متن که قبلاً نیاز به نظارت و برچسب‌گذاری دستی فراوان داشتند، می‌تواند به طور قابل توجهی زمان و منابع را آزاد کند.

مثال عملی: تصور کنید سیستمی برای شناسایی عوارض جانبی نادر داروها طراحی می‌شود. در حالت عادی، جمع‌آوری هزاران گزارش از این عوارض بسیار دشوار است. اما با FSL، تنها با ارائه چند نمونه گزارش که به صراحت به یک عارضه جانبی خاص اشاره دارند، مدل می‌تواند یاد بگیرد که این عارضه را در گزارش‌های جدید شناسایی کند. این امر می‌تواند در پایش امنیتی داروها پس از ورود به بازار بسیار مؤثر باشد.

این مرور نظام‌مند نشان می‌دهد که اگرچه پتانسیل یادگیری با نمونه کم در حوزه پردازش زبان طبیعی پزشکی بسیار زیاد است، اما پیشرفت‌ها در این زمینه نسبت به کاربردهای عمومی‌تر FSL (که بر روی داده‌های غیرپزشکی اعمال می‌شود)، هنوز محدود است. نویسندگان مقاله دلایل متعددی را برای این محدودیت ذکر می‌کنند:

• کمیابی مجموعه داده‌های استاندارد و عمومی: عدم وجود مجموعه داده‌های برچسب‌گذاری شده، جامع و استاندارد شده در حوزه پزشکی، مانع بزرگی برای توسعه و مقایسه عادلانه روش‌های FSL است.
• عملکرد نسبتاً پایین‌تر روش‌های FSL: پیچیدگی و ظرافت زبان پزشکی، همراه با ماهیت تخصصی داده‌ها، گاهی باعث می‌شود روش‌های FSL در مقایسه با داده‌های عمومی، عملکرد ضعیف‌تری از خود نشان دهند.

پیشنهادها برای آینده: برای پیشبرد این حوزه، نویسندگان تاکید می‌کنند که ایجاد و انتشار مجموعه داده‌های تخصصی برای FSL پزشکی امری ضروری است. این مجموعه داده‌ها باید با دقت طراحی شوند تا امکان تحلیل‌های مقایسه‌ای دقیق را فراهم آورند و در نتیجه، توسعه روش‌های نوین و کارآمدتر را تسهیل کنند. با غلبه بر چالش‌های موجود و با همکاری متخصصان حوزه پزشکی و علوم کامپیوتر، می‌توان از قدرت یادگیری با نمونه کم برای گشودن قفل دانش نهفته در متون پزشکی و ارتقاء سطح سلامت بهره برد.