دانشکده پزشکی  واشنگتن با استفاده از ابزارهای پردازش زبان طبیعی مبتنی بر هوش مصنوعی ، تحقیقات پزشکی را بهبود می بخشد.

برای پیشبرد تحقیقات دقیق پزشکی خود ، دانشکده پزشکی واشنگتن از ابزارهای پردازش زبان طبیعی مبتنی بر هوش مصنوعی استفاده کرده است تا در مرتب سازی داده های پرونده الکترونیکی سلامت کمک کند. تمرکز اولیه دانشکده بر بیماریهای مزمن مانند بیماری آلزایمر ، سرطان سینه ، سرطان ریه ، دیابت و چاقی است.

با استفاده از ابزار مبتنی بر هوش مصنوعی ، محققان می توانند اطلاعات کلیدی را از پرونده های الکترونیکی سلامت (EHR) در مورد تشخیص ، درمان و نتایج استخراج کنند.

بیشتر کارهایی که در دانشگاه واشنگتن در زمینه انفورماتیک انجام می شود در زمینه فنوتیپ سازی عمیق است. به این معنا که هم داده های کشف شده از نظر پزشکی و هم عوامل تعیین کننده اجتماعی باید از سوابق الکترونیکی سلامت (EHRs) استخراج شوند. در حالی که استخراج جزئیات بالینی بخش مهمی از پیشرفت پزشکی دقیق است ، برخی از پیچیدگی ها وجود دارد.

به گفته پین ، بسیاری از داده هایی که برای درک سلامت و بیماری بسیار مهم هستند ، در زمینه های گسسته یا ساختار یافته در EHR ها جمع آوری نمی شوند ، بنابراین استفاده از داده ها در روش های یادگیری ماشین دشوار است.

برای دسترسی به داده های بدون ساختار EHR ، دانشگاه واشنگتن از پردازش زبان طبیعی (NLP) استفاده کرد. پردازش زبان طبیعی به طور موثر یادگیری و خواندن را به رایانه ها آموزش می دهد.

پین می گوید :"این در مورد آموزش رایانه برای تفسیر تصاویر است. بسیاری از کارهایی که ما انجام می دهیم این است که به کامپیوتر آموزش می دهیم که بخواند یا تصاویر را تفسیر کند ، بنابراین ما می توانیم آن ویژگی های ساختار یافته را بازگردانده و در مدل های پیش بینی خود قرار دهیم. "

به گفته پین ، دانشگاه واشنگتن استفاده از ابزارهای هوش مصنوعی و NLP را برای پیشبرد شیوه های زیست پزشکی خود پذیرفته است. این شامل یادگیری ماشین و یادگیری عمیق برای شناسایی الگوهای داده و تجزیه و تحلیل پیش بینی برای تعیین نتایج بیمار است.

201000717.001