Automated Disease Prediction and Prescription System with Regional Kannada Synonym Integration

ملخص تقني: نظام آلي للتنبؤ بالأمراض والوصفات الطبية مع دمج المترادفات الإقليمية للغة الكانادا

بيان المشكلة
يعتمد تقديم الرعاية الصحية الفعالة بشكل كبير على التواصل الواضح بين مقدمي الخدمة والمرضى. وفي المناطق متعددة اللغات، تؤدي الحواجز اللغوية تكراراً إلى أخطاء في التشخيص، وأخطاء في تناول الأدوية، ونتائج غير مثالية للمرضى. وبينما تقدم الترجمة الآلية العصبية (NMT) تقدماً كبيراً، فإن الحلول الحالية مثل "Google Translate" و"Whisper" غالباً ما تفشل في ترجمة اللغات ذات الموارد المنخفضة بدقة، لا سيما عند التعامل مع اللهجات الإقليمية والمترادفات الطبية. في ولاية كارناتاكا بالهند، غالباً ما يصف المرضى نفس المرض باستخدام مصطلحات مختلفة من لغة الكانادا الإقليمية (مترادفات) تسيء أدوات الترجمة القياسية تفسيرها أو تترجمها حرفياً (على سبيل المثال، ترجمة مصطلح إقليمي لـ "الحكة" على أنه "إفطار" أو "تهيج"). علاوة على ذلك، فإن نقص مجموعات البيانات الطبية العامة واسعة النطاق لهذه الأزواج اللغوية المحددة يحد من تطوير نماذج ترجمة قوية وقابلة للتكيف مع المجال.

المنهجية
يقترح المؤلفون نظاماً مؤتمتاً يدمج تحويل الكلام إلى نص، والترجمة الآلة الواعية بالمترادفات الإقليمية، والتنبؤ بالأمراض. تتضمن خطة العمل التقنية الأساسية ما يلي:

1. جمع البيانات ومعالجتها مسبقاً: تم إنشاء مجموعة بيانات مخصصة تضم حوالي 900 زوج من الجمل (كانادا-إنجليزية)، مع التركيز على أعراض المرضى وتوصيفات الأمراض. خضعت البيانات لعمليات تنظيف (تحويل الحروف إلى حالة صغيرة، إزالة الرموز الخاصة)، والتقطيع (tokenization)، وإنشاء المفردات.
2. بنية النموذج: يستخدم النظام بنية الشبكة العصبية المتكررة (RNN)، وتحديداً استخدام وحدات الذاكرة الطويلة قصيرة المدى (LSTM) للتعامل مع البيانات التسلسلية والاعتمادات طويلة المدى.
   • إطار عمل المشفر-المفكك (Encoder-Decoder): يقوم "المشفر" بمعالجة نص الكانادا المدخل إلى متجه ثابت الأبعاد (الحالات الخفية والخلوية)، بينما يقوم "المفكك" بتوليد الترجمة الإنجليزية.
   • آليات الانتباه (Attention Mechanisms): يدمج النموذج آليات انتباه عامة وعالمية للسماح للمفكك بالتركيز ديناميكياً على الأجزاء ذات الصلة من الجملة المصدر، مما يخفف من مشكلة "عنق الزجاجة" المعلوماتية في نماذج المشفر-المفكك القياسية.
   • استراتيجية التدريب: تُستخدم خوارزمية "الإجبار بالمعلم" (Teacher Forcing) أثناء التدريب لتزويد المفكك بمخرجات مرجعية دقيقة، مما يحسن من عملية التقارب (convergence).
   • فك التشفير (Decoding): تم تقييم كل من نهجي "التحلل الجشع" (Greedy Decoding) و"البحث الشعاعي" (Beam Search) لتحسين سلاسة ودقة الترجمة.
3. دمج المترادفات: المكون الرئيسي في المنهجية هو قدرة النظام على التعرف على مترادفات الكانادا الإقليمية للأمراض. وخلافاً للمترجمين القياسيين الذين قد يفشلون في التعامل مع الاختلافات اللهجوية، تم تدريب هذا النموذج على ربط هذه الاختلافات الإقليمية بالمصطلحات الطبية الصحيحة في اللغة الإنجليزية.
4. التنبؤ بالوصفة الطبية: بمجرد ترجمة النص وتحديد المرض، يقوم النظام بالاستعلام من مجموعة بيانات للتنبؤ بالدواء المقابل.

المساهمات الرئيسية

• التعامل مع المترادفات الإقليمية: تطوير نموذج ترجمة مصمم خصيصاً للتعامل مع أزواج (كانادا-إنجليزية) مع التركيز على المترادفات الطبية الإقليمية، مما يعالج الفجوة التي تفشل فيها أدوات مثل Google Translate بشكل متكرر.
• التنفيذ الهيكلي: دمج آليات الانتباه وخوارزمية "الإجبار بالمعلم" ضمن إطار عمل RNN-LSTM لتعزيز جودة الترجمة للغات ذات الموارد المنخفضة.
• التقييم المقارن: إجراء مقارنة شاملة للنموذج المقترح مقابل Google Translate وWhisper Translator، مما أظهر أداءً فائقاً في سياقات طبية محددة.
• إنشاء مجموعة بيانات: إنشاء مجموعة بيانات متخصصة تضم حوالي 900 جملة لأعراض المرضى لتسهيل التدريب والتقييم في هذا المجال.

النتائج
تم تقييم النظام المقترح باستخدام مقاييس الترجمة الآلية العصبية القياسية: BLEU وMETEOR ومعدل تحرير الترجمة (TER).

• دقة الترجمة: حقق النموذج المقترح نطاق درجات BLEU يترا-واح بين 41.5–31.8، ودرجة METEOR بلغت 52.2%، متفوقاً بذلك على Google Translator (BLEU 35.8–28.4، METEOR 39.5%) وWhisper Translator (BLEU 39.8–30.8، METEOR 41.5%).
• تقليل الأخطاء: أظهر النموذج معدل تحرير ترجمة (TER) أقل بنسبة 53.1% مقار by 69.2% لـ Google و64.6% لـ Whisper.
• التعرف على المترادفات: في الاختبارات النوعية، حدد النموذج المقترح بشكل صحيح المصطلحات الإقليمية للأمراض مثل "الحكة" (ترجمة مختلف مصطلحات الكانادا الإقليمية بشكل صحيح)، و"الربو"، و"دوالي الأوردة"، في حين أنتجت Google وWhisster ترجمات حرفية أو خاطئة (مثل ترجمة مصطلح إقليمي للحكة على أنه "إفطار").
• التنبؤ بالوصفة الطبية: سجل النظام دقة بنسبة 95% في التنبؤ بالأدوية بناءً على توصيفات الأمراض المترجمة، رغم أن هذا التقييم يتم مقابل أخطاء التنبؤ ضمن سياق مجموعة البيانات المحددة.

الأهمية والادعاءات
يزعم البحث أن النظام ينجح في سد فجوة التواصل في الرعاية الصحية للسكان المتحدثين بالكانادا من خلال ترجمة اللهجات والمترادفات الإقليمية بدقة، وهو ما تغفله الأدوات القياسية. ومن خلال تمكين الروبوتات أو الأنظمة المؤتمتة من فهم مدخلات المرضى باللغة الطبيعية والتنبؤ بالأدوية المناسبة، يهدف النظام إلى مساعدة متخصصي الرعاية الصحية في إدارة أحجام المرضى المرتفعة بكفاءة أكبر. ويؤكد المؤلفون أنه بينما يظهر النظام نتائج واعدة، فإنه مصمم لدعم المتخصصين الطبيين وليس لاستبدالهم؛ حيث إن جميع الوصفات المتنبأ بها تهدف إلى أن يتم التحقق منها من قبل متخصصين بشريين لضمان السلامة، مع الإقرار بحدود الذكاء الاصطناعي في ضمان الدقة المطلقة.