Supp AI使用机器学习来识别补充交互

2019年09月20日由 TGS 发表 854437 0

2015年，艾伦人工智能研究所（Allen institute for Artificial intelligence）发布了语义学者（Semantic Scholar），这是一个公共人工智能搜索引擎，能够从超过1.73亿份计算机科学和生物医学期刊论文中提取数据。虽然一时间受到了热烈的欢迎，但该研究所的研究人员却并不满足，他们想要尝试，把Semantic Scholar基本算法用于解决医学研究领域的其他问题上面。

为此，艾伦研究所本周推出了门户网站Supp AI，帮助使用维生素、矿物质、酶和激素等补充剂的消费者，识别出可能会与之产生不利影响的产品或药物。——通过一个简单的搜索栏，输入常用药物（如百忧解和沙拉非姆）的商品名和有效药物成分（氟西汀）的名称，从支持相互作用的研究论文中弹出句子，同时链接到每个来源。

例如，对银杏补充剂的研究发现，它与华法林和一氧化氮等物质可能存在140种相互作用。

Supp AI不仅可以显示所有可能与查询补充物交互的化学物质或药物，还可以根据相关元数据对证据句进行排序，并对源文件进行优先级排序。——影响最终排序的因素包括(但不限于)非撤销研究、临床试验、人体研究和近因。

在Supp AI部署之前，2950万条自动标注的句子被输入到BERT-DDI模型中（一种补充药物相互作用证据提取器），促使补充品和药物CUIs的策展列表被用来删除不相关的句子，并将相关的证据分组在一起，每个句子都用原始论文的元数据(如标题、作者、发表地点、撤回状态和发表年份)进行注释。

为了评估提取句子的质量，研究小组的实验人员抽取了200个样本，并手工标记了这些句子中提到的补充语的相互作用。最终结果不负众望，BERT-DDI模型的准确率为87%，精确度为77%(正确预测的阳性观测值与总预测阳性观测值的比值)，召回率为96%(分类器找到所有阳性样本的能力)。

研究人员表示，近期的目标是定期更新Supp AI，将新论文中提取的最新信息纳入语义学者资料库。未来发布的版本可能会显示相互作用的严重程度，或者可能会建议使用补充剂来增强其他补充剂或药物的效果，并列出这些补充剂或药物已被证明有效的场景或情况。

Supp AI网址：https://supp.ai

标签：

机器学习机器学习

0 评论

欢迎关注ATYUN官方公众号

商务合作及内容投稿请联系邮箱:bd@atyun.com

上一篇麻省理工：使用机器学习预估心血管死亡的风险

下一篇利用机器学习研制新的超材料

评论登录

要发表评论，您必须先登录。

jonatasgrosman/wav2vec2-large-xlsr-53-english facebook/dino-vitb16 bert-base-uncased xlm-roberta-large xlm-roberta-base gpt2 microsoft/resnet-50 facebook/dino-vits8

最好的基于Transformer的LLM（上）