用於藥物推薦和併發症總結的臨床問答技術(1/3)

專案詳細資料

Description

近年來,隨著深度學習的技術迅速成長及其在許多人工智慧的議題上的取得明顯進步,使得問答系統獲得許多的關注與研究,例如史丹佛大學建構的 SQuAD 資料集吸引了許多國際自然語言處理研究團隊(例如Google與Microsoft團隊)的興趣。這一年來,如何將AI運用於生醫領域,成了最熱門的話題之一。 2019 年Google公開了自己建構的 PubMed QA資料集,並建構一個線上平台評估使用者在這個資料集上的效果。儘管問答系統在生醫自然語言處理上開始得到許多關注,但無論是Google 的 PubMed QA 資料集或是由美國衛生研究院贊助的國際生醫問答系統競賽BioASQ,主要都是以生醫論文為主的資料集。截至目前為止,仍非常缺乏以臨床病歷作為資料集的問答系統。臨床病歷一直以來都是生醫自然語言處理當中非常重要的研究領域,例如美國衛生研究院與美國梅奧醫院一直以來致力於參與及推廣臨床病歷上的各項自然語言處理任務,例如:去識別化、危險因子辨識(risk factor detection)與家族病史偵測(family history extraction)等。到近年來 IBM 更是提出一個 GAMENet (Graph Augmented MEmory Networks)模型來提供醫生在對病人用藥上的建議。然而這些研究依然多是以分類問題為主,缺乏臨床病歷的問答系統,例如:這位病人有糖尿病症狀,除了可能會有心血管疾病外,可能還會有哪些併發症?有哪些藥物可以抑制降低糖尿病的症狀,並且比較不容易引起心臟病的併發症?相較於過去在臨床病例上的自然語言處理任務,臨床文獻的問答系統對於醫生做診斷時可以有更即時地幫助,也更加具有挑戰性。在本計畫當中,本團隊將在共同主持人黃彥霖醫師的協助下,建構一個臨床病例的問答語料庫與系統。預期建構的問答語料庫會以病人的症狀、疾病、併發症與用藥建議的問題為主,並用來協助醫師寫住院病摘,本計畫預期為執行三年之計畫,第一年預期利用自然語言問句生成模型建構一臨床病例問答的資料集。第二年則延續前一年之資料利用深度學習技術建構一個疾病與藥物的知識圖以及來輔助深度學習預測症狀、疾病、併發症與用藥上的關聯性。最後一年,除黃醫師外,預期邀請其他國內醫師合作,建構臨床診斷輔助問答系統,並將積極推廣本計畫所得出之資料集與標準,促進國內醫療的進步。
狀態已完成
有效的開始/結束日期1/08/2031/07/21

聯合國永續發展目標

聯合國會員國於 2015 年同意 17 項全球永續發展目標 (SDG),以終結貧困、保護地球並確保全體的興盛繁榮。此專案有助於以下永續發展目標:

  • SDG 3 - 良好的健康和福祉

Keywords

  • 問答系統
  • 臨床自然語言處理
  • 藥物推薦
  • 知識圖譜
  • 問題產生
  • 併發症總結

指紋

探索此專案觸及的研究主題。這些標籤是根據基礎獎勵/補助款而產生。共同形成了獨特的指紋。