通过自然语言数据分析实现预测医学

落合──今天欢迎来到筑波大学。自去年以来，我一直在这里进行研究活动。

在向您介绍我们的“数字自然实验室”之前，请先介绍一下今天的话题：人工智能。

武田──我们公司主要涉及B to B业务，就是如何将能够进行自然语言处理的人工智能（KIBIT）开发成业务。目前我主要关注如何学习专家的知识以及如何分析大数据。

比如，人工智能可以学习律师的判断，用少量的数据进行分析寻找证据，或者学习医生和护士的想法和感受，分析他们的某些判断是否可以替代。

落合──在医学领域，人们书写病历的方式在图表的上半部分和下半部分是完全不同的。针对该案例确定的上排记录可以链接到简单的含义，但我的印象是，使用自然语言处理来分析下排的自由输入字段将是极其困难的。

武田──你很了解我！您读过电子病历的内容吗？

落合──我是这个领域的研究员，所以我阅读了不同地方的论文。我认为《自然》或《科学》都写到，自然语言处理是电子病历面临的最大挑战。

武田──医生和护士编写的医疗记录通常采用一种称为“SOAP”的格式，其中包含主语和宾语部分，例如患者所说的话以及查看者如何判断。通过针对该区域进行分析，可以预测未来可能跌倒的患者等。

如果您查看医疗记录并从语言处理的角度来看一个人移动的困难程度，就会出现一些症状。能动很多的人不会摔倒，根本不能动的人也一定不会摔倒。身体活动能力较弱的人、患有谵妄（除了意识模糊之外还出现幻觉或幻觉的状态）的人以及精神状态较差、注意力持续时间下降的人更有可能跌倒。

通过从语言上理解这些特征，进行综合判断并分析，可以提前几天发现跌倒的趋势。

落合──由于数据量对于此类分析至关重要，因此我认为如果有一家公司可以提供大量数据就好了。

武田──我们开发的名为 KIBIT 的人工智能的关键在于，它可以通过少量的学习表现出较高的判断性能。在实验中，即使只有不到 20 项研究，我们也能够分析大量数据。

落合──20 太棒了。在据说至少有20万到2000万条数据就好的世界里，效率是1/10,000以上。据说，即使是像研究论文这样的最小文本也需要 1,000 到 10,000 个示例。拥有更少的数据集就是进步。我认为这真的很好。

武田──神经网络^＊1这项技术需要大量的学习才能分析大型复杂的问题。我们正在寻找一种方法以更少的量做到这一点。