Некоторые из самых популярных вариантов использования, проблем и инструментов при применении обработки естественного языка в сфере здравоохранения и медико-биологических наук.

По мере того, как методы понимания неструктурированных данных в тексте продолжают развиваться, отрасль здравоохранения видит новые захватывающие возможности использования обработки естественного языка (NLP), чтобы помочь улучшить уход за пациентами и позволить медицинским работникам выполнять свою работу более эффективно и результативно.

У нас была возможность поговорить с лидерами НЛП в сфере здравоохранения и спросить их об их любимых вариантах использования НЛП, проблемах, с которыми они сталкиваются при применении НЛП в своих организациях, будущем НЛП в здравоохранении и их любимых инструментах.

Какой ваш любимый вариант использования НЛП в сфере здравоохранения?

«Самая большая перспектива НЛП в здравоохранении — структурировать информацию, которую врачи вводят или диктуют в карту пациента, чтобы они могли сосредоточиться на пациенте и не втягивались в бесконечные проверки ящиков и раскрывающиеся меню. Оттуда эта структурированная информация может использоваться во многих приложениях, от инструментов поддержки принятия клинических решений до испытаний, соответствующих исследованиям результатов». — Алекс Рич, менеджер по науке о данных в Flatiron Health.

«Мои любимые системы — это те, которые помогают пациентам напрямую, например, заранее распознавая, что кто-то находится в группе риска почечной недостаточности, сепсиса, депрессии или рискованного родоразрешения, чтобы было проведено правильное вмешательство и удалось избежать катастрофы. Знание того, что некоторые люди сегодня ходят здоровыми благодаря чему-то, что мы построили, является несравненным мотиватором». — Дэвид Талби, технический директор John Snow Labs

В чем вы видите самую большую проблему для применения НЛП в здравоохранении?

«Программное обеспечение становится намного лучше и быстрее в автоматическом понимании медицинского текста, изображений и нюансов контекста. Однако люди не меняются так быстро. Создание новых систем искусственного интеллекта, чтобы люди принимали их и действительно извлекали из них пользу, — серьезная задача. — Дэвид Талби

«Предлагаем пакет решений, который позволяет пользователям, не являющимся техническими специалистами, работать с документами. Все части сквозного конвейера в настоящее время разрознены и очень похожи на «услуги». Сквозная интеграция, включая OCR, NER, инструменты аннотаций, поиск и приложение BI, представляет собой больше услуг, чем полностью интегрированное приложение для врачей и бизнес-пользователей. Я надеюсь, что облачные провайдеры начнут предлагать более применимые отраслевые ускорители решений, ориентированные на 80% потребностей клиентов, а не на уникальные шаблоны вариантов использования». — Мо Стеллер, старший архитектор, AI + ML в Microsoft

«Самые большие проблемы для НЛП в здравоохранении аналогичны проблемам для понимания естественного языка в целом: понимание клинического языка часто требует глубоких знаний предмета и интеграции многих отдельных частей контекста, и это является проблемой для алгоритмических подходов». — Алекс Рич

Каким вы видите будущее НЛП в здравоохранении? Какую тенденцию вы видите в ближайшие 1-5 лет?

«В течение следующих 1–5 лет мы увидим все больше доказательств того, что НЛП может структурировать клиническую информацию с такой же точностью, как экспертный обзор карт. Это приведет к более широкому принятию и использованию крупномасштабных наборов данных, полученных с помощью НЛП, для исследований в реальном мире с конечной целью получения новых сведений о схемах лечения и результатах, которые улучшат уход за пациентами». — Алекс Рич

«Я ожидаю, что мы продолжим делать большие шаги в повышении точности, масштабируемости и ответственного ИИ, чтобы многие другие приложения ИИ в здравоохранении стали безопасными и эффективными. Я также думаю, что мы будем гораздо медленнее интегрировать эти новые возможные решения в повседневную клиническую практику». — Дэвид Талби

«Будущее NLP — в мультимодальном моделировании, сочетающем NLP и Computer Vision, что еще больше расширяет границы SOTA. Более высокая точность обеспечивает лучшую интеграцию в системы HIT и поддерживает совместимость, объединяя информацию о здоровье отдельных участников». — Мо Стеллер

Какой ваш любимый технологический стек при применении НЛП в вашей организации?

«Pytorch — отличная платформа для создания гибких моделей глубокого обучения для НЛП, особенно в сочетании с библиотеками, которые удаляют шаблоны (например, pytorch Lightning) и обеспечивают легкий доступ к передовым предварительно обученным моделям (например, трансформеры Hugging Face). — Алекс Рич

«Я и моя команда продолжаем создавать Spark NLP для здравоохранения и его экосистему каждый день. Это всего лишь один из инструментов в наборе технологий, необходимых для раскрытия потенциала ИИ в здравоохранении, и мы продолжим следить за тем, чтобы это было самое точное, надежное, безопасное и масштабируемое решение для понимания медицинских документов на долгие годы». — Дэвид Талби

«Некоторые из моих любимых инструментов — Azure Data Lake, Azure Databricks, SparkNLP/SparkNLP для здравоохранения, Azure Cognitive Search и PowerBI», — Мо Стеллер.

Если вам интересно узнать больше о лучших практиках и проблемах НЛП в 2022 году, обязательно присоединитесь к 30+ экспертам НЛП для их выступлений на Healthcare NLP Summit 5–6 апреля. Это бесплатное общественное мероприятие, посвященное двум дням передового опыта НЛП и инновациям в области здравоохранения, а также четырехдневным практическим занятиям.