Χρήση προ-εκπαιδευμένων μοντέλων επεξεργασίας φυσικής γλώσσας σε κλινικές σημειώσεις

Abstract

Η πρόοδος στον τομέα της τεχνητής νοημοσύνης έχει επηρεάσει βαθύτατα την ιατρική, καθώς οδηγεί σε ανανεωμένες δυνατότητες ανάλυσης των ηλεκτρονικών ιατρικών αρχείων. Ωστόσο, η παρουσία σημαντικών πληροφοριών σε μορφή ελεύθερου κειμένου δημιουργεί προκλήσεις στην αξιοποίηση αυτών των δεδομένων. Η ακριβής και έγκαιρη πρώιμη διάγνωση είναι κρίσιμη για την παροχή αποτελεσματικής ιατρικής περίθαλψης, και εδώ εισέρχεται η επεξεργασία φυσικής γλώσσας για την αυτοματοποίηση της διαδικασίας διάγνωσης. Μέσα από αυτό το πλαίσιο, η παρούσα έρευνα εστιάζεται στον αυτόματο προσδιορισμό ιατρικών εννοιών από τις σημειώσεις των εκπαιδευόμενων γιατρών κατά τις ιατρικές επισκέψεις. Στόχος είναι η επιτάχυνση της διαδικασίας μάθησης και αξιολόγησης των ασκούμενων ιατρών μέσω της μηχανικής μάθησης και επεξεργασίας φυσικής γλώσσας. Με επίκεντρο τα προ-εκπαιδευμένα μοντέλα Transformer και το μοντέλο BERT, η έρευνα επιδιώκει την καλύτερη κατανόηση και αξιοποίηση των ιατρικών δεδομένων για την ανάπτυξη ακριβέστερων διαγνώσεων και θεραπειών. Η μεθοδολογία που επιλέχθηκε ώστε να ελέγξουμε εάν το προ-εκπαιδευμένο μοντέλο BERT μπορεί να χρησιμοποιηθεί στην ιατρική κοινότητα και να βοηθήσει στην αυτοματοποίηση της διαδικασίας εκπαίδευσης των εκπαιδευόμενων ιατρών είναι η CRISP-DM. Η μελέτη επικεντρώθηκε μόνο στη χρήση του BERT, καθώς έχει επιδείξει εξαιρετικά αποτελέσματα σε προηγούμενες εργασίες της NLP, ενώ τα αποτελέσματα της έρευνας ήταν ικανοποιητικά, με το F1 score να φτάνει το 79,4%, ενώ το Recall και το Precision ήταν 82,6% και 76,4% αντίστοιχα.