Supp AI使用机器学习来识别补充交互

 
2015年，由已故微软联合创始人保罗·艾伦创立的艾伦人工智能研究所发布了Semantic Sc​​holar，这是一个公共AI搜索引擎，能够从超过1.73亿计算机科学和生物医学期刊论文中提取数据。它受到了热烈的欢迎，但研究所的研究人员想知道它的基础算法是否可能适用于解决医学研究领域的其他问题。
为此，艾伦研究所本周推出了Supp AI，这是一个门户网站，让维生素，矿物质，酶和激素等补充剂的消费者能够识别出可能与之相互影响的产品或药物。使用简单的搜索栏，他们可以输入普通药物(例如，百忧解和Sarafem)的商品名称和活性药物成分(氟西汀)的名称来起泡支持相互作用的研究论文中的句子以及每个来源的链接。
例如，寻找补充银杏可以产生140种可能的相互作用，如华法林和一氧化氮。
Supp AI不仅可以显示可能与查询补充剂相互作用的所有化学物质或药物，而且可以帮助对证据句子进行排序，并根据相关元数据对源文件进行优先排序。最终排序的因素包括(但不限于)非收回研究，临床试验，人体研究和新近度。
Lucy Lu Wang是华盛顿大学生物医学和健康信息学博士生，也是该论文的第一作者。他说，Supp AI的受众之一估计有88%的65岁及以上的成年人服用膳食补充剂。根据JAMA Internal Medicine最近发表的一项研究，多达15%的患者存在潜在的主要药物相互作用风险。
“我们[开始构建一个系统]可以对科学文献中的[药物补充互动]证据进行大规模检索，然后组织它并使其可供消费者，医生和研究人员使用 – 对于任何想要发现的人来说关于大规模补充剂的信息，“王在周二早些时候接受电话采访时告诉VentureBeat。 “[我们的模型]查看文章网站的文本，并检索支持这些互动的句子。”
正如Wang及其同事在详细描述Supp AI创建的论文中所解释的那样，补充药物相互作用的研究很大程度上依赖于文献的手工管理，其结果往往难以汇总。面向消费者的网站，如美国国立卫生研究院膳食补充剂和WebMD办公室，往往提供关于常见补充剂的不完整信息，而药物数据库如DrugBank，RxNorm和国家药物文件参考术语包含的膳食补充术语的覆盖范围不足。
为了寻求更好的选择，该团队利用AI模型从PubMed的大约2200万篇论文中提取补充药物相互作用和补充 – 补充相互作用的证据，这是由美国国立卫生研究院维护的免费搜索引擎Semantic Sc​​holar。利用补充药物和补充剂 – 补充剂相互作用之间的相似性，他们使用标记数据对药物 – 药物相互作用进行分类，以训练和微调补充剂相互作用证据提取器，称为BERT-DDI。
BERT-DDI结合了来自变形金刚或BERT的谷歌双向编码器表示，它以无人监督的方式访问过去和未来方向的上下文(意味着它可以摄取既未分类也未标记的数据)来模拟句子之间的关系。通过对带注释的药物 – 药物相互作用数据进行培训，该模型学会了对Supp AI可以整理并传递给用户的句子进行分类。
隔离1,923补充剂和2,727种药物补充AI可以识别是一个艰苦的过程，需要人工审查，以便可以从语料库中删除非补充剂，如食物，杂草和除草剂。同样艰巨的是编制了15,252种药物概念唯一标识符(CUI)列表，或国家医学图书馆临床生物医学词典的标识符。
在Supp AI部署之前，2950万个自动标记的句子被送入BERT-DDI模型。补充和药物CUI的策划清单用于删除不相关的句子并将相关证据分组在一起，每个句子都注明了源文件元数据，如标题，作者，出版地点，撤回状态和出版年份。
为了评估提取句子的质量，Wang及其同事对200个样本进行了抽样，并手动标记它们以提及补充相互作用。他们报告说，BERT-DDI模型的准确度达到87%，精确度达到77%(正确预测的阳性观察值与总预测阳性观察值的比率)，以及96%的回忆率(分类器找到所有的能力)积极的样本)。
Wang表示，近期目标是定期更新Supp AI，并将新论文中提取的最新信息整合到Semantic Sc​​holar语料库中。未来的版本可能表明相互作用的严重程度，或者他们可能建议补充剂，以增强其他补充剂或药物的影响，并列出这些补充剂或药物已证明有效的方案。
“我们已经与一些临床医生和医疗保健研究人员联系，以获得反馈，而且这在很大程度上是积极的，”王说。 “我认为这个工具的最佳特性之一是它可以免费供所有想要使用它的人使用。它为更广泛的受众开辟了补充互动和信息领域，并且还向低资源环境中的人们开放。“