IA Neuro-Simbólica para la Salud de la Mujer

Área de la Ciencia:

• Inteligencia Artificial en Medicina
• Informática Biomédica
• Lingüística Computacional

Sus antecedentes:

• Los problemas de salud de la mujer, como la menopausia y la infertilidad, afectan a una parte importante de la población mundial.
• La vasta y creciente literatura biomédica presenta desafíos para la IA actual en la extracción de información confiable.
• Las representaciones procesables y interpretables por máquinas de las enfermedades son cruciales para la investigación biomédica.

Objetivo del estudio:

• Investigar hasta qué punto las ontologías y los grafos de conocimiento (IA simbólica) pueden respaldar la IA explicable centrada en el ser humano para redes neuronales artificiales (IA neuronal).
• Explorar un enfoque de IA neuro-simbólica que combine IA neuronal y simbólica para procesar texto biomédico.
• Evaluar el impacto de la incorporación de conocimiento del dominio en modelos de IA para mejorar la personalización y la explicabilidad.

Principales métodos:

• Se desarrolló un enfoque de IA neuro-simbólica, que integra IA neuronal para la extracción de patrones con IA simbólica para la representación del conocimiento de fondo.
• Se aprovechó el conocimiento del dominio y la evidencia científica de la literatura biomédica para crear explicaciones legibles por humanos (IA explicable) en forma de nanopublicaciones (grafos de conocimiento).
• Los experimentos implicaron la aplicación de fórmulas de aritmética vectorial no supervisada (coseno, 3CosAdd) a incrustaciones de word2vec de citas de PubMed y la evaluación de Modelos de Lenguaje Grandes (LLM) para la extracción de términos.

Principales resultados:

• Tres experimentos (EXP1-EXP3) evaluaron 315 n-gramas de incrustaciones de word2vec derivadas de más de 300 000 citas de PubMed.
• Un cuarto experimento (EXP4) evaluó 381 términos extraídos por 9 LLM (incluidos modelos biomédicos especializados y generales) del texto basado en evidencia.
• El estudio exploró la utilidad de incorporar conocimiento previo del dominio en la aritmética vectorial para personalizar los resultados de los modelos de IA.

Conclusiones:

• El conocimiento biomédico puede guiar la explicabilidad de las predicciones del modelo neuronal, identificando qué predicciones merecen explicación y cuáles pueden ser descartadas.
• La integración del conocimiento biomédico mejora la personalizabilidad de los modelos de IA, particularmente cuando se utilizan incrustaciones de word2vec y LLM para la extracción de patrones de problemas de salud.
• El enfoque neuro-simbólico ofrece un camino hacia información de IA más confiable e interpretable a partir de la literatura biomédica.