为医疗保健开发NLP应用程序

自然语言处理（ NLP ）可以定义为人工智能（ AI ）、计算机科学和计算语言学的结合，以理解人类交流并从非结构化口语或书面材料中提取意义。

在过去几年中，医疗保健的非线性规划用例有所增加，以通过语言理解和预测分析加快治疗学的发展，提高患者护理质量。

医疗保健行业产生大量非结构化数据，但如果不找到以可计算形式构造和表示该数据的方法，就很难获得见解。开发人员需要将非结构化数据转换为结构化数据的工具，以帮助医疗保健组织利用相关见解，改善医疗保健服务和患者护理。

Transformer – 基于文本的自然语言处理已成为基于文本的医疗保健工作流性能的范式转变。由于其多功能性， NLP 几乎可以构建任何专有或公共数据，以 Spark 洞察医疗保健，从而产生各种下游应用，直接影响患者护理或扩大和加速药物发现。

药物发现的自然语言处理

非线性规划在加速小分子药物发现方面发挥着关键作用。关于药物可制造性或禁忌症的先验知识可以从学术出版物和专有数据集中提取。 NLP 还可以帮助进行临床试验分析，并加快将药物推向市场的过程。

Transformer 体系结构在自然语言处理中很流行，但这些工具也可以用于理解化学和生物语言。例如，基于文本的化学结构表示，例如 SMILES （简化输入分子线输入系统），可以通过基于转换器的架构来理解，从而实现药物性质评估和生成化学的难以置信的能力。

MegaMolBART ，一个由阿斯利康和 NVIDIA 开发的大型 transformer 模型，用于广泛的任务，包括反应预测、分子优化和从头生成分子。

基于 Transformer 的非线性规划模型有助于理解和预测类生物分子蛋白质的结构和功能。与自然语言一样，基于 transformer 的蛋白质序列表示提供了强大的嵌入，用于下游人工智能任务，如预测蛋白质的最终折叠状态，了解蛋白质 – 蛋白质或蛋白质 – 小分子相互作用的强度，或设计提供生物靶点的蛋白质结构。

临床试验见解的 NLP

一旦药物开发出来，患者数据在将其推向市场的过程中起着重要作用。通过护理过程收集的大部分患者数据都包含在自由文本中，例如患者就诊的临床记录或程序结果。

虽然这些数据很容易被人解读，但结合跨临床自由文本文档的见解需要使跨不同文档的信息具有互操作性，以便以有用的方式表示患者的健康。

现代非线性规划算法加快了我们获得这些见解的能力，有助于比较具有类似症状的患者，提出治疗建议，发现诊断未遂事件，并提供临床护理导航和次优行动预测。

NLP 提高临床体验

许多患者与医院系统的互动是远程的，部分原因是源于 2019 冠状病毒疾病的远程医疗服务的使用越来越多。这些远程医疗就诊可以在 NLP 的帮助下转换为结构化信息。

对于内科医生和外科医生来说，语音到文本的功能可以将与患者和临床团队的口头讨论转化为文本，然后可以存储在电子健康记录（ EHR ）中。应用包括总结患者就诊、捕捉未遂事件和预测最佳治疗方案。

消除每个患者就诊的临床文档负担可以让提供者花费更多的时间和精力为每个患者提供最佳护理，同时减少医生的倦怠感。 NLP 还可以帮助医院预测患者结果，例如 重新接纳 或败血症。

关于作者

Anthony Costa 在 NVIDIA 领导医疗保健和生命科学分析的开发人员关系，专注于自然语言处理、对话式 AI 和药物发现应用程序。 Anthony 的背景包括计算化学和物理学，在过去十年中，他领导了主要学术卫生系统中的许多医疗保健和生命科学转化人工智能计划。

审核编辑：郭婷