در دنیای امروز که حجم داده‌های متنی در حوزه پزشکی و زیست‌شناسی با سرعتی سرسام‌آور در حال افزایش است، استخراج اطلاعات کلیدی و معنادار از این متون به یک چالش بزرگ تبدیل شده است. مقالات علمی، سوابق الکترونیکی سلامت (EHR)، و گزارش‌های بالینی سرشار از اطلاعات حیاتی هستند که می‌توانند به پیشرفت تحقیقات پزشکی و بهبود مراقبت‌های بهداشتی کمک کنند. وظیفه‌ای بنیادین در پردازش زبان طبیعی زیست‌پزشکی، «بازشناسی موجودیت نام‌گذاری شده» (Named Entity Recognition – NER) است. این فرآیند به شناسایی و دسته‌بندی خودکار اطلاعات کلیدی مانند نام بیماری‌ها، داروها، علائم، روش‌های درمانی و ژن‌ها در متون می‌پردازد.

اهمیت BioNER در این است که پلی میان داده‌های متنی بدون ساختار و دانش ساختاریافته و قابل استفاده برای ماشین ایجاد می‌کند. با این حال، متون زیست‌پزشکی به دلیل پیچیدگی‌های زبانی، اصطلاحات تخصصی، اختصارات متعدد و موجودیت‌های چندکلمه‌ای، چالشی منحصربه‌فرد برای مدل‌های هوش مصنوعی محسوب می‌شوند. مقاله حاضر با عنوان «بازشناسی موجودیت نام‌گذاری شده زیست‌پزشکی چندسطحی مبتنی بر تعبیه‌های چنددانه و برچسب‌گذاری تقویت‌شده» راهکاری نوآورانه برای غلبه بر این چالش‌ها ارائه می‌دهد. این پژوهش با ترکیب هوشمندانه چندین مدل یادگیری عمیق و ارائه یک روش پیش‌پردازش جدید، گامی مهم در جهت افزایش دقت و کارایی سیستم‌های استخراج اطلاعات پزشکی برداشته است.

این مقاله حاصل تلاش گروهی از پژوهشگران ایرانی در حوزه هوش مصنوعی و پردازش زبان طبیعی است. نویسندگان این اثر عبارتند از: فهیمه شاهرخ، ناصر قدیری، رسول سامانی و میلاد مرادی. این پژوهش در تقاطع حوزه‌های کلیدی علوم کامپیوتر و پزشکی، یعنی «پردازش زبان و محاسبات» (Computation and Language)، «هوش مصنوعی» (Artificial Intelligence) و «یادگیری ماشین» (Machine Learning) قرار می‌گیرد. این تخصص‌های چندگانه به محققان اجازه داده است تا با درکی عمیق از چالش‌های زبانی در متون پزشکی، یک معماری محاسباتی پیشرفته و کارآمد طراحی کنند. زمینه تحقیق بر توسعه مدل‌هایی متمرکز است که قادرند به صورت خودکار و با دقت بالا، مفاهیم پزشکی را از متون استخراج کرده و آن‌ها را برای تحلیل‌های بعدی ساختارمند سازند.

مقاله، چالشی اساسی در مدل‌های مدرن NER، به‌ویژه مدل‌های مبتنی بر ترنسفورمر مانند BERT را هدف قرار می‌دهد. این مدل‌ها با وجود قدرت بالا در درک زمینه متنی، اغلب بر «تعبیه‌های سطح کلمه» (Word-level Embeddings) تکیه دارند. این رویکرد باعث می‌شود اطلاعات ارزشمند «سطح کاراکتر» (Character-level Information) که در متون زیست‌پزشکی بسیار مهم است، نادیده گرفته شود. اصطلاحات پزشکی اغلب دارای ساختار مورفولوژیکی پیچیده (پیشوندها، پسوندها و ریشه‌ها) هستند که در سطح کاراکتر قابل تشخیص است.

برای حل این مشکل، نویسندگان یک رویکرد ترکیبی (Hybrid) پیشنهاد می‌کنند که نقاط قوت چندین مدل را با هم ادغام می‌کند:

• BERT تنظیم‌شده (Fine-tuned BERT): برای تولید تعبیه‌های کلمه‌ای غنی و وابسته به متن.
• CNN چندکاناله از پیش آموزش‌دیده (Pre-trained Multi-channel CNN): برای استخراج ویژگی‌های سطح کاراکتر و درک ساختار داخلی کلمات.
• BiLSTM + CRF: برای مدل‌سازی توالی و وابستگی‌های بین کلمات در جمله و تضمین صحت برچسب‌گذاری نهایی.

علاوه بر این معماری ترکیبی، مقاله یک نوآوری کلیدی در مرحله پیش‌پردازش به نام «برچسب‌گذاری تقویت‌شده» (Enhanced Labelling) معرفی می‌کند. این روش به مدل کمک می‌کند تا کلمه ابتدایی موجودیت‌های چندکلمه‌ای را با دقت بیشتری شناسایی کند؛ مشکلی که یکی از چالش‌های رایج در BioNER است. در نهایت، مدل پیشنهادی با ترکیب اطلاعات متنی، جزئیات سطح کاراکتر و روش برچسب‌گذاری نوین، به عملکردی برجسته دست می‌یابد.

معماری پیشنهادی در این مقاله یک ساختار چندلایه و هوشمندانه است که برای استخراج اطلاعات از سطوح مختلف متن (کاراکتر و کلمه) طراحی شده است. این فرآیند را می‌توان به چند مرحله کلیدی تقسیم کرد:

۱. لایه تعبیه‌سازی چنددانه (Multi-granularity Embedding):

این لایه مسئول تبدیل متن ورودی به بردارهای عددی است که هم معنای کلمه و هم ساختار آن را در بر می‌گیرد.

• تعبیه‌های متنی سطح کلمه با BERT: در این مرحله، از یک مدل BERT که به طور خاص برای دامنه زیست‌پزشکی تنظیم شده است (مانند BioBERT یا ClinicalBERT) استفاده می‌شود. BERT هر کلمه را با توجه به کلمات اطراف آن در جمله تحلیل کرده و یک بردار نمایانگر معنای آن در آن زمینه خاص تولید می‌کند. این ویژگی به مدل اجازه می‌دهد تا بین معانی مختلف یک کلمه (مانند “cold” به معنای سرماخوردگی یا دمای پایین) تمایز قائل شود.
• تعبیه‌های سطح کاراکتر با CNN: به موازات BERT، یک شبکه عصبی کانولوشنی (CNN) روی کاراکترهای هر کلمه اعمال می‌شود. CNN با استفاده از فیلترهایی با اندازه‌های مختلف، الگوهای کاراکتری (مانند پیشوند “hyper-” یا پسوند “-itis”) را شناسایی می‌کند. این اطلاعات برای شناسایی کلمات جدید یا اصطلاحات پیچیده پزشکی که مدل قبلاً ندیده است، بسیار حیاتی است. خروجی این دو بخش (BERT و CNN) با یکدیگر ترکیب شده و یک بردار ویژگی غنی برای هر کلمه ایجاد می‌کند.

۲. لایه مدل‌سازی توالی با BiLSTM:

بردارهای ویژگی تولید شده در مرحله قبل به یک شبکه حافظه طولانی کوتاه‌مدت دوطرفه (BiLSTM) وارد می‌شوند. این شبکه جمله را یک بار از ابتدا به انتها و یک بار از انتها به ابتدا پردازش می‌کند. این کار به مدل اجازه می‌دهد تا وابستگی‌های بلندمدت بین کلمات را درک کند. برای مثال، در جمله “The patient was diagnosed with severe iron deficiency anemia”، BiLSTM به ارتباط بین “patient” و “anemia” در طول جمله پی می‌برد.

۳. لایه برچسب‌گذاری با CRF:

خروجی BiLSTM به یک لایه میدان تصادفی شرطی (Conditional Random Field – CRF) فرستاده می‌شود. وظیفه CRF این است که محتمل‌ترین توالی برچسب‌ها را برای کل جمله پیدا کند. برخلاف مدل‌هایی که هر کلمه را جداگانه برچسب‌گذاری می‌کنند، CRF محدودیت‌های گرامری و منطقی را در نظر می‌گیرد. برای مثال، CRF می‌داند که یک برچسب از نوع «درون موجودیت» (I-Problem) نمی‌تواند بلافاصله پس از برچسب «بیرون از موجودیت» (O) بیاید و باید حتماً با یک برچسب «شروع موجودیت» (B-Problem) آغاز شود. این ویژگی، انسجام و دقت برچسب‌گذاری نهایی را به شدت افزایش می‌دهد.

۴. پیش‌پردازش با برچسب‌گذاری تقویت‌شده:

این نوآوری برای حل مشکل شناسایی مرزهای موجودیت‌های چندکلمه‌ای طراحی شده است. جزئیات دقیق این روش در چکیده ذکر نشده، اما می‌توان حدس زد که این تکنیک با افزودن یک نشانگر یا ویژگی اضافی به توکن‌های ابتدایی یک موجودیت، توجه مدل را به این نقاط مهم جلب می‌کند. این کار باعث می‌شود مدل با اطمینان بیشتری نقطه شروع یک موجودیت پیچیده مانند “recurrent episodes of chest pain” را تشخیص دهد و در نتیجه، کل موجودیت را به درستی استخراج کند.

برای ارزیابی کارایی مدل پیشنهادی، محققان از مجموعه داده استاندارد و معتبر i2b2/2010 استفاده کردند که یکی از بنچمارک‌های شناخته‌شده در حوزه BioNER است. نتیجه اصلی و برجسته این پژوهش، دستیابی به امتیاز F1-score برابر با ۹۰.۱۱ است. امتیاز F1 میانگین همساز دو معیار دقت (Precision) و بازیابی (Recall) است و به عنوان یک سنجه جامع برای ارزیابی عملکرد مدل‌های NER استفاده می‌شود.

• عملکرد برتر: کسب امتیاز بالای ۹۰ در این مجموعه داده نشان‌دهنده عملکرد بسیار رقابتی و پیشرفته مدل است و آن را در زمره بهترین مدل‌های موجود برای این وظیفه قرار می‌دهد.
• اثربخشی رویکرد ترکیبی: این نتیجه ثابت می‌کند که ترکیب اطلاعات سطح کلمه (از BERT) و سطح کاراکتر (از CNN) به طور قابل توجهی به بهبود عملکرد منجر می‌شود. مدل صرفاً بر اساس معنای کلمات تصمیم نمی‌گیرد، بلکه ساختار درونی آنها را نیز در نظر می‌گیرد.
• تأثیر مثبت برچسب‌گذاری تقویت‌شده: موفقیت مدل در شناسایی موجودیت‌های چندکلمه‌ای، که یکی از نقاط ضعف مدل‌های سنتی است، نشان‌دهنده کارایی روش پیش‌پردازش جدید ارائه شده در این مقاله است.

مدل ارائه‌شده در این مقاله فراتر از یک دستاورد آکادمیک، پتانسیل بالایی برای کاربردهای عملی در دنیای واقعی پزشکی دارد:

• سیستم‌های پشتیبان تصمیم‌گیری بالینی: با استخراج خودکار مشکلات بیمار، داروها و آزمایش‌ها از یادداشت‌های پزشکان، این مدل می‌تواند خلاصه‌های دقیقی را برای کمک به تصمیم‌گیری‌های سریع و آگاهانه در اختیار کادر درمان قرار دهد.
• فارماکوویژیلانس (Pharmacovigilance): سیستم‌های مبتنی بر این مدل می‌توانند به طور خودکار متون علمی و گزارش‌های بیماران را برای شناسایی عوارض جانبی داروها پایش کرده و به افزایش ایمنی دارویی کمک کنند.

_

• تسریع تحقیقات پزشکی: محققان می‌توانند با استفاده از این فناوری، داده‌های مرتبط را از هزاران مقاله علمی استخراج کرده و فرآیندهای مرور سیستماتیک و متاآنالیز را به طور چشمگیری سرعت بخشند.
• مدیریت سوابق الکترونیکی سلامت (EHR): این مدل می‌تواند داده‌های متنی بدون ساختار در پرونده‌های الکترونیکی را به اطلاعات ساختاریافته و قابل جستجو تبدیل کند که به مدیریت بهتر داده‌های بیماران و تحلیل‌های جمعیتی کمک می‌کند.

دستاورد اصلی این پژوهش، ارائه یک معماری قوی، دقیق و قابل اتکا برای یکی از چالش‌برانگیزترین وظایف پردازش زبان طبیعی است که می‌تواند به عنوان یک جزء کلیدی در نسل بعدی ابزارهای هوشمند پزشکی مورد استفاده قرار گیرد.

مقاله «بازشناسی موجودیت نام‌گذاری شده زیست‌پزشکی چندسطحی مبتنی بر تعبیه‌های چنددانه و برچسب‌گذاری تقویت‌شده» یک راهکار جامع و نوآورانه برای چالش استخراج اطلاعات از متون پزشکی ارائه می‌دهد. نویسندگان با ترکیب هوشمندانه مدل‌های پیشرفته یادگیری عمیق مانند BERT، CNN و BiLSTM-CRF، مدلی ساخته‌اند که قادر است اطلاعات را از سطوح مختلف معنایی و ساختاری متن استخراج کند. علاوه بر این، معرفی تکنیک «برچسب‌گذاری تقویت‌شده» به عنوان یک روش پیش‌پردازش مؤثر، توانایی مدل را در شناسایی موجودیت‌های پیچیده و چندکلمه‌ای به طور قابل توجهی افزایش داده است.

کسب امتیاز F1-score برابر با ۹۰.۱۱ در یک مجموعه داده چالش‌برانگیز، گواهی بر موفقیت این رویکرد است. این پژوهش نه تنها مرزهای دانش را در حوزه پردازش زبان طبیعی زیست‌پزشکی جابجا می‌کند، بلکه مسیری روشن برای ساخت ابزارهای کاربردی‌تر و دقیق‌تر در حوزه سلامت دیجیتال و پزشکی مبتنی بر داده فراهم می‌آورد.