自然語言處理（ NLP ）可以定義為人工智能（ AI ）、計算機科學和計算語言學的結合，以理解人類交流并從非結構化口語或書面材料中提取意義。

在過去幾年中，醫療保健的非線性規劃用例有所增加，以通過語言理解和預測分析加快治療學的發展，提高患者護理質量。

醫療保健行業產生大量非結構化數據，但如果不找到以可計算形式構造和表示該數據的方法，就很難獲得見解。開發人員需要將非結構化數據轉換為結構化數據的工具，以幫助醫療保健組織利用相關見解，改善醫療保健服務和患者護理。

Transformer – 基于文本的自然語言處理已成為基于文本的醫療保健工作流性能的范式轉變。由于其多功能性， NLP 幾乎可以構建任何專有或公共數據，以 Spark 洞察醫療保健，從而產生各種下游應用，直接影響患者護理或擴大和加速藥物發現。

藥物發現的自然語言處理

非線性規劃在加速小分子藥物發現方面發揮著關鍵作用。關于藥物可制造性或禁忌癥的先驗知識可以從學術出版物和專有數據集中提取。 NLP 還可以幫助進行臨床試驗分析，并加快將藥物推向市場的過程。

Transformer 體系結構在自然語言處理中很流行，但這些工具也可以用于理解化學和生物語言。例如，基于文本的化學結構表示，例如 SMILES （簡化輸入分子線輸入系統），可以通過基于轉換器的架構來理解，從而實現藥物性質評估和生成化學的難以置信的能力。

MegaMolBART ，一個由阿斯利康和 NVIDIA 開發的大型 transformer 模型，用于廣泛的任務，包括反應預測、分子優化和從頭生成分子。

基于 Transformer 的非線性規劃模型有助于理解和預測類生物分子蛋白質的結構和功能。與自然語言一樣，基于 transformer 的蛋白質序列表示提供了強大的嵌入，用于下游人工智能任務，如預測蛋白質的最終折疊狀態，了解蛋白質 – 蛋白質或蛋白質 – 小分子相互作用的強度，或設計提供生物靶點的蛋白質結構。

臨床試驗見解的 NLP

一旦藥物開發出來，患者數據在將其推向市場的過程中起著重要作用。通過護理過程收集的大部分患者數據都包含在自由文本中，例如患者就診的臨床記錄或程序結果。

雖然這些數據很容易被人解讀，但結合跨臨床自由文本文檔的見解需要使跨不同文檔的信息具有互操作性，以便以有用的方式表示患者的健康。

現代非線性規劃算法加快了我們獲得這些見解的能力，有助于比較具有類似癥狀的患者，提出治療建議，發現診斷未遂事件，并提供臨床護理導航和次優行動預測。

NLP 提高臨床體驗

許多患者與醫院系統的互動是遠程的，部分原因是源于 2019 冠狀病毒疾病的遠程醫療服務的使用越來越多。這些遠程醫療就診可以在 NLP 的幫助下轉換為結構化信息。

對于內科醫生和外科醫生來說，語音到文本的功能可以將與患者和臨床團隊的口頭討論轉化為文本，然后可以存儲在電子健康記錄（ EHR ）中。應用包括總結患者就診、捕捉未遂事件和預測最佳治療方案。

消除每個患者就診的臨床文檔負擔可以讓提供者花費更多的時間和精力為每個患者提供最佳護理，同時減少醫生的倦怠感。 NLP 還可以幫助醫院預測患者結果，例如 重新接納 或敗血癥。

關于作者

Anthony Costa 在 NVIDIA 領導醫療保健和生命科學分析的開發人員關系，專注于自然語言處理、對話式 AI 和藥物發現應用程序。 Anthony 的背景包括計算化學和物理學，在過去十年中，他領導了主要學術衛生系統中的許多醫療保健和生命科學轉化人工智能計劃。

審核編輯：郭婷