در دهه‌های اخیر، حجم داده‌های متنی در حوزه زیست‌پزشکی، از مقالات پژوهشی و گزارش‌های بالینی گرفته تا پرونده‌های الکترونیک سلامت، به شکلی انفجاری افزایش یافته است. استخراج دانش و اطلاعات ارزشمند از این اقیانوس داده بدون کمک ابزارهای هوشمند تقریباً غیرممکن است. اینجاست که پردازش زبان طبیعی (NLP) به عنوان یک فناوری کلیدی وارد میدان می‌شود. با این حال، پیشرفت مدل‌های NLP، به‌ویژه مدل‌های زبانی بزرگ (LLMs)، به شدت به دسترسی به مجموعه داده‌های وسیع، متنوع و باکیفیت وابسته است.

حوزه زیست‌پزشکی با یک چالش اساسی روبرو بوده است: داده‌های برچسب‌دار آن به صورت پراکنده، با فرمت‌های ناسازگار و در مخازن مختلف توزیع شده‌اند. این پراکندگی، مانعی جدی بر سر راه پژوهش‌های تکرارپذیر و توسعه مدل‌های قدرتمند و جامع بوده است. مقاله “BigBIO: A Framework for Data-Centric Biomedical Natural Language Processing” پاسخی مستقیم به این چالش است. این مقاله، بیگ‌بایو (BigBIO) را معرفی می‌کند؛ یک کتابخانه عظیم، جامعه‌محور و متن‌باز که بیش از ۱۲۶ مجموعه داده NLP زیست‌پزشکی را در یک چارچوب استاندارد و یکپارچه گرد هم آورده است. اهمیت این پروژه در تغییر رویکرد از «مدل‌محوری» به «داده‌محوری» است، جایی که تمرکز از بهینه‌سازی بی‌وقفه معماری مدل‌ها به سمت بهبود و غنی‌سازی داده‌هایی که مدل‌ها از آن‌ها یاد می‌گیرند، معطوف می‌شود.

فهرست بلندبالای نویسندگان این مقاله، خود گویای ماهیت آن است: یک تلاش علمی گسترده و مشارکتی با حضور ده‌ها پژوهشگر از موسسات آکادمیک و صنعتی برجسته در سراسر جهان. این پروژه در بستر کارگاه BigScience متولد شد؛ یک ابتکار بین‌المللی که بر اصول علم باز، تکرارپذیری و همکاری‌های گسترده برای ساخت مدل‌ها و ابزارهای هوش مصنوعی در مقیاس بزرگ (مانند مدل زبانی BLOOM) تأکید دارد. این پشتوانه، اعتبار و مقیاس پروژه بیگ‌بایو را تضمین کرده و آن را به عنوان یک زیرساخت عمومی و قابل اعتماد برای جامعه پژوهشی معرفی می‌کند.

مقاله استدلال می‌کند که آموزش و ارزیابی مؤثر مدل‌های زبانی مدرن، نیازمند ساخت متا-دیتاست‌ها (meta-datasets) است؛ یعنی مجموعه‌هایی عظیم و متنوع از داده‌های گزینش‌شده با منشأ مشخص. اخیراً، تکنیک‌هایی مانند مهندسی پرامپت (Prompting)، که در آن وظایف به صورت دستورالعمل‌های زبان طبیعی به مدل ارائه می‌شوند، توانسته‌اند قابلیت تعمیم مدل‌ها در یادگیری صفر-شات (zero-shot) را به شکل چشمگیری بهبود بخشند. با این حال، پیاده‌سازی این رویکردهای داده‌محور در حوزه تخصصی زیست‌پزشکی به دلیل کمبود و پراکندگی داده‌های برچسب‌دار، با چالش مواجه بوده است.

بیگ‌بایو برای حل این مشکل، کتابخانه‌ای با بیش از ۱۲۶ مجموعه داده NLP زیست‌پزشکی را ارائه می‌دهد که ۱۲ دسته وظیفه مختلف (مانند تشخیص موجودیت نام‌دار، پاسخ به پرسش، و طبقه‌بندی متن) و بیش از ۱۰ زبان را پوشش می‌دهد. این چارچوب با فراهم آوردن دسترسی برنامه‌نویسی به داده‌ها و فراداده‌های آن‌ها، فرآیند ساخت متا-دیتاست‌ها را تسهیل و تکرارپذیر می‌کند. بیگ‌بایو با پلتفرم‌های مدرن برای مهندسی پرامپت و ارزیابی مدل‌های زبانی سازگار است و راه را برای پژوهش‌های نوین در این حوزه هموار می‌سازد.

ایجاد بیگ‌بایو یک فرآیند چندمرحله‌ای و دقیق بود که بر اصول استانداردسازی، کیفیت و دسترسی آسان استوار بود.

• گردآوری و دسته‌بندی داده‌ها: اولین گام، شناسایی و جمع‌آوری مجموعه داده‌های عمومی و معتبر در حوزه زیست‌پزشکی بود. این داده‌ها به ۱۲ دسته وظیفه اصلی تقسیم شدند، از جمله:
  • تشخیص موجودیت نام‌دار (Named Entity Recognition – NER)
  • استخراج رابطه (Relation Extraction)
  • پاسخ به پرسش (Question Answering)
  • طبقه‌بندی متن (Text Classification)
  • خلاصه‌سازی (Summarization)

  این تنوع وظایف، امکان آموزش و ارزیابی مدل‌ها بر روی طیف گسترده‌ای از کاربردهای واقعی را فراهم می‌کند.

• چالش اصلی: هماهنگ‌سازی اسکیما (Schema Harmonization): یکی از بزرگترین موانع در استفاده ترکیبی از دیتاست‌های مختلف، فرمت‌های ناهمگون آن‌هاست. برای مثال، یک دیتاست NER ممکن است ژن “BRCA1” را با برچسب GENE مشخص کند، در حالی که دیتاست دیگر از برچسب Gene_Protein استفاده کند. این تفاوت‌ها ترکیب داده‌ها را غیرممکن می‌سازد. راه‌حل بیگ‌بایو، تعریف یک اسکیمای واحد و استاندارد به نام BigBIO Schema برای هر دسته از وظایف بود. تمام ۱۲۶+ دیتاست به این اسکیمای مشترک تبدیل شدند. این کار به پژوهشگران اجازه می‌دهد تا دیتاست‌های مختلف را به سادگی با یکدیگر ترکیب کرده و برای آموزش یا ارزیابی مدل‌ها استفاده کنند.
• ممیزی داده‌ها و شفافیت (Data Auditing & Provenance): برای اطمینان از کیفیت و اعتبار، هر مجموعه داده به دقت بررسی (audit) شد. این فرآیند شامل بررسی مجوز استفاده (license)، مستندات، کیفیت برچسب‌ها و منشأ داده‌ها (provenance) بود. شفافیت در مورد منبع و نحوه پردازش هر دیتاست، یک اصل کلیدی برای تکرارپذیری علمی است که در بیگ‌بایو به طور کامل رعایت شده است.
• دسترسی برنامه‌نویسی و یکپارچه‌سازی: بیگ‌بایو بر پایه کتابخانه محبوب Hugging Face Datasets ساخته شده است. این انتخاب استراتژیک به کاربران اجازه می‌دهد تا با چند خط کد ساده پایتون، هر یک از مجموعه داده‌های موجود را بارگذاری، پردازش و مورد استفاده قرار دهند. این یکپارچگی، موانع فنی را برای ورود به حوزه NLP زیست‌پزشکی به شدت کاهش می‌دهد.

دستاورد اصلی این مقاله، خود چارچوب بیگ‌بایو به عنوان یک زیرساخت عمومی است. با این حال، ایجاد این چارچوب، یافته‌ها و قابلیت‌های مهمی را به همراه داشته است:

• ایجاد بزرگترین متا-دیتاست یکپارچه زیست‌پزشکی: بیگ‌بایو با گردآوری و استانداردسازی بیش از ۱۲۶ مجموعه داده، به بزرگترین منبع متمرکز داده برای NLP زیست‌پزشکی تبدیل شده است. این منبع، پژوهش در مقیاس بزرگ را که پیش از این بسیار دشوار بود، امکان‌پذیر می‌سازد.
• تسهیل ارزیابی صفر-شات و کم-شات (Few-shot): به لطف اسکیمای استاندارد و یکپارچگی با ابزارهای مهندسی پرامپت، بیگ‌بایو ارزیابی مدل‌های زبانی بزرگ را بر روی وظایف زیست‌پزشکی متحول کرده است. اکنون پژوهشگران می‌توانند به سرعت عملکرد یک مدل عمومی (مانند GPT-4 یا Llama) را در پاسخ به سوالات پزشکی یا شناسایی اصطلاحات تخصصی، بدون نیاز به هیچ‌گونه fine-tuning، بسنجند.
• امکان‌پذیری یادگیری چندوظیفه‌ای (Multi-task) در مقیاس بزرگ: هماهنگ‌سازی اسکیما به پژوهشگران اجازه می‌دهد تا دیتاست‌هایی از وظایف مختلف (مانند NER، طبقه‌بندی و استخراج رابطه) را به سادگی با هم ترکیب کنند. آموزش یک مدل واحد بر روی این داده‌های ترکیبی، منجر به ساخت مدل‌هایی می‌شود که درک عمیق‌تر و جامع‌تری از زبان زیست‌پزشکی دارند و می‌توانند در چندین وظیفه به صورت همزمان عملکرد خوبی از خود نشان دهند.

مقاله دو موردکاوی مشخص را برای نمایش قدرت بیگ‌بایو ارائه می‌دهد:

1. موردکاوی ۱: ارزیابی صفر-شات با پرامپت‌های زیست‌پزشکی

   در این سناریو، یک مدل زبانی بزرگ که از قبل آموزش دیده (مانند T5 یا BLOOM) بدون هیچ آموزش اضافی، مورد ارزیابی قرار می‌گیرد. فرآیند به این صورت است:

   • یک وظیفه از بیگ‌بایو انتخاب می‌شود، مثلاً یک دیتاست پرسش و پاسخ که در آن مدل باید بر اساس یک متن پزشکی به یک سوال پاسخ دهد.
   • با استفاده از الگوهای پرامپت استانداردسازی‌شده در بیگ‌بایو، هر نمونه داده به یک دستورالعمل زبان طبیعی تبدیل می‌شود. برای مثال: "متن زیر را بخوان و به سوال پاسخ بده. متن: [...]. سوال: [...]؟ پاسخ:"
   • این پرامپت‌ها به مدل داده می‌شوند و پاسخ‌های تولیدشده با پاسخ‌های صحیح مقایسه می‌شوند.

   دستاورد: این روش یک محک (Benchmark) استاندارد برای سنجش دانش و توانایی استدلال ذاتی مدل‌های زبانی در حوزه تخصصی پزشکی فراهم می‌کند و به ما نشان می‌دهد این مدل‌ها «بیرون از جعبه» چقدر توانمند هستند.

2. موردکاوی ۲: یادگیری چندوظیفه‌ای در مقیاس بزرگ

   در این سناریو، هدف ساخت یک مدل زیست‌پزشکی همه‌کاره است.

   • پژوهشگر با استفاده از بیگ‌بایو، چندین دیتاست از وظایف مختلف را بارگذاری می‌کند؛ مثلاً ۱۰ دیتاست برای NER، ۵ دیتاست برای استخراج رابطه و ۸ دیتاست برای طبقه‌بندی احساسات در متون پزشکی.
   • به دلیل فرمت یکپارچه، تمام این داده‌ها به راحتی در یک مجموعه آموزشی عظیم ادغام می‌شوند.
   • یک مدل پایه (مانند BioBERT) بر روی این مجموعه داده ترکیبی آموزش داده می‌شود.

   دستاورد: مدل حاصل، به دلیل یادگیری همزمان از سیگنال‌های متنوع، به یک مدل چندکاره قدرتمند تبدیل می‌شود که می‌تواند درک بهتری از جوانب مختلف زبان زیست‌پزشکی داشته باشد و در وظایف جدید، تعمیم‌پذیری بالاتری از خود نشان دهد.

مقاله بیگ‌بایو فراتر از معرفی یک مجموعه داده ساده است؛ این مقاله یک زیرساخت حیاتی و یک چارچوب فکری نوین را برای جامعه NLP زیست‌پزشکی به ارمغان می‌آورد. بیگ‌بایو با استانداردسازی، تجمیع و تسهیل دسترسی به داده‌ها، موانع پژوهشی را کاهش داده و راه را برای پیاده‌سازی رویکردهای داده‌محور و پیشرفته مانند یادگیری صفر-شات و چندوظیفه‌ای هموار می‌کند.

این پروژه، به عنوان یک تلاش جامعه‌محور و متن‌باز، نمونه‌ای درخشان از قدرت علم باز و همکاری‌های گسترده است. بیگ‌بایو نه تنها تحقیقات فعلی را تسریع می‌کند، بلکه با فراهم آوردن بستری برای به اشتراک‌گذاری و ارزیابی استاندارد، به پیشرفت پایدار و تکرارپذیر حوزه هوش مصنوعی در پزشکی کمک شایانی خواهد کرد. این چارچوب یک موجود زنده است که با مشارکت مستمر جامعه علمی، به رشد و تکامل خود ادامه خواهد داد.