预测UMLS语义组分配的两个互补的AI方法:启发式推理和深度学习

科学领域:

• 医疗信息学 医疗信息学
• 人工智能的人工智能
• 自然语言处理自然语言处理.

背景情况:

• 统一医疗语言系统 (UMLS) 元词库是整合生物医学词汇的重要资源.
• 将新的原子分配给语义组 (SG) 是一个耗时的手动过程.
• 准确的SG预测可以简化将新术语集成到UMLS中.

研究的目的:

• 开发和评估启发式,深度学习 (DL) 和混合AI方法,用于预测新的UMLS Metathesaurus原子的语义组 (SG) 赋值.
• 为了实现SG预测的≥95%的目标准确性.
• 评估人工智能驱动的SG预测作为UMLS概念分配中的中间步骤的潜在实用性.

主要方法:

• 使用一系列7种预测方法实施了启发式"布"方法.
• 一个DL方法利用了BioWordVec和SapBERT嵌入式,被输入到一个多层神经网络中.
• 混合方法是通过结合启发式方法和DL方法来开发的,并将概率估计纳入准确度.

主要成果:

• 启发式布方法在1,563,692个新的看不见的原子上获得了94.3%的准确性.
• 在相同的数据集上,DL方法也达到了94.3%的准确性.
• 混合人工智能方法表现出卓越的性能,平均准确率为96.5%.

结论:

• 人工智能方法,特别是混合方法,可以准确地预测新的UMLS原子的SG分配.
• 人工智能驱动的SG预测显示了作为加快手动分配新原子到UMLS概念的中间步骤的承诺.
• 结合启发式和DL方法,可以比单独使用这两种方法获得更好的SG预测结果.