A Neurosymbolic Approach for Constructing Planning Domain Models from Clinical Narratives
本論文は、大規模言語モデルと経験的検証を組み合わせることで、非構造化された臨床ナラティブから確率的プランニング・ドメインモデルを自動的に構築し、複雑な外科手術ワークフローにおける暗黙的なアクションやデータの不足という課題を効果的に解決するニューロシンボリック・フレームワークであるNSPINを提案する。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
病院には、患者ケアの余白に書き込まれた物語が溢れています。外科医は詳細な記録を通じて、例えば穿孔した臓器や予期せぬ感染症といった、特定の患者特有の合併症にどのように対処したかといった自らの仕事を記録しています。数十年にわたり、この知識は個々のカルテの中に閉じ込められたまま、それを書いた本人やその特定の患者をケアするチームにとってのみ有用なものとなってきました。これらが、数千件の症例を通じて、実際にどのように手順が行われるのかを示す単一で明快な全体像へと集約されることはありませんでした。科学者たちは、長年、これらの乱雑で手書きの物語を、正式なルールのセット、すなわち、外科医が次のステップに進む前に何をしなければならないのか、そしてその結果として何が起こり得るのかを正確に示す論理的なマップへと変換したいと考えてきました。このようなマップは、新しい医師の訓練を支援したり、手術記録を自動的にレビューしたり、あるいは将来のロボットシステムを導いたりすることができる人工知能を構築するために不可欠です。課題は、人間の言語には省略や仮定が満載されていることです。外科医は、例えば「ポートを配置した」と書くことがありますが、その際、まず切開を行わなければならないという点には触れません。なぜなら、彼らにとってそのステップはあまりにも明白であり、あえて述べる必要がないからです。しかし、コンピュータは「明白なこと」を推測することはできません。コンピュータが論理を理解するためには、すべてのステップが明示的に述べられている必要があるのです。
研究チームは、この問題を解決するための新しい手法を開発し、数千件の非構造化された手術記録を、小児腹腔鏡下虫垂切除術と呼ばれる一般的な手術の精密な論理モデルへと変換しました。この処置は、小さな切開を通じて炎症を起こした虫垂を取り除くもので、小児病院では頻繁に行われるため、9人の異なる外科医によって書かれた2,600件以上の実世界のノートという豊かなデータセットを提供しています。研究者たちは、流動的な人間の言語と、コンピュータの厳格な要件との間の架け橋として機能するシステムを構築しました。彼らはこのシステムを「NSPIN」と呼んでいます。これはまず、膨大な量のテキストで学習された一種の人工知能である強力な言語モデルを使用して、生のノートを読み取り、言及されている具体的な動作や観察事項を抽出することから始まります。ノートは不完全であることが多いため、システムは同じ言語モデルを使用して欠落した隙間を埋め、外科医が行ったはずだが書き残さなかった隠れたステップを推論します。最後に、これらのステップを首尾一貫した計画へと整理するために別の種類の数学的論理を使用し、ルールが理にかなっていることを確認するためにデータに対して検証を行います。
プロセスは、システムが手術記録の生のテキストを読み取ることから始まります。システムは、切開を行うことや手術器具を配置することなどの主要なイベントを特定し、それらが起こった順序に従って配置します。しかし、研究者たちは、単にテキストを読み取るだけでは不十分であることを発見しました。外科医はしば理的なプロトコルや明白な中間ステップの記述を省略することが多く、コンピュータに断片的なイベントの連鎖を残してしまうのです。これを修正するために、システムは言語モデルに対して臨床のエキスパートとして振る舞うよう指示し、記録されたイベントを論理的に繋ぐ欠落したステップを提案させます。例えば、ノートに「虫垂が摘出された」と記載されている場合、システムは、たとえ外科医が明示的に書いていなくても、まず虫垂の基部を固定しなければならないことを推論します。このステップは、専門家が頭の中に持っているものの紙には滅多に記さない「沈黙の知識」を回収するために極めて重要です。システムは、これらの欠落したステップについて複数の可能なバージョンを生成し、それらを統合し、生成されたバージョンの大部分が同意するもののみを保持することで、最終的なシーケンスが堅牢で信頼できるものとなるようにします。
システムは、各手術の完全で順序立てられたイベントのシーケンスを得ると、その操作のルールを記述する形式的なモデルを構築します。このモデルは、特定の動作が行われる前にどのような条件が真である必要があるか、そしてその動作によってどのような結果がもたらされる可能性が高いかを定義します。例えば、切開が行われるまで外科医は手術用ポートを配置できないことや、ポートを配置すると癒着（瘢痕組織）が見つかる可能性があり、その場合は特定の除去処置が必要になることなどを学習します。研究者たちは、言語モデルのみに依存する方法と比較することで、このアプローチをテストしました。その結果、論理的なチェックステップを伴う統合的なアプローチの方がはるかに優れていることが判明しました。論理的なルールを用いて言語モデルの提案を洗練させたシステムは、手術の次に何が起こるかを予測すること、およびどの動作がその瞬間に実際に可能であるかを特定することにおいて、はるかに優れたモデルを生成しました。
結果は、システムが9人の異なる外科医のノートから学習し、未知の外科医のノートでテストした場合でも機能する一般的なルールセットを作成できることを示しました。研究者が医学の専門家に、システムが推論したステップのレビューを依頼したところ、専門家たちは、欠落していたステップが臨床的に正しく、かつ必要不可欠なものであることを確認しました。ある事例では、システムは、外科医が「臍部の筋膜を0番のヴィクリルリー（Vicryl suture）で閉鎖した」と明示的に記載しているノートから、当初は抽出に失敗した情報を、正しく回収しました。また別のケースでは、虫垂の基部を固定することが切除の前提条件であることを、システムは推論しました。これは論理的な必然性ですが、テキストには明示されていませんでした。これらの知見は、システムが人間の専門家の暗黙的で書き記されていない知識を、形式的で利用可能な形式へと正常に翻訳できることを証明しています。
また、論理的な精緻化なしに言語モデルだけに頼ると、エラーが生じることも明らかになりました。言語モデル単体では、ルールが緩すぎたり、逆に厳しすぎたりする傾向があり、手術を支配する真の因果関係を見落とすことがよくありました。言語モデルのテキスト理解能力と、記号的システムの論理的一貫性を強制する能力を組み合わせることで、研究者たちは、人間の多様な記述を扱える柔軟性と、機械が信頼できる厳格さを兼ね備えたモデルを作り上げました。このアプローチは、行動の「背後にある理由（Why）」を理解することが「何をするか（What）」を知ることと同じくらい重要な、医療のようなハイステークスな分野における人工知能構築への道筋を示唆しています。この研究は、手術の自動化に関するすべての問題を解決したと主張するものではありませんが、膨大な非構造化された患者ケアの歴史を、将来のツール（患者の安全や外科医の訓練を向上させるためのもの）のための構造化された基礎へと変えるための、実証された手法を提供しています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。