همگرایی مدل های بزرگ زبانی و گراف های دانش برای تحلیل داده های پیچیده زیست پزشکی و سلامت

اخیر در هوش مصنوعی، به ویژه با ظهور مدل های زبانی بزرگ و دسترسی به داده های عظیم و زیرساخت های محاسباتی پرقدرت، موجب تحول چشمگیری در زیست پزشکی دیجیتال و نظام های سلامت شده است. این مدل ها سامانه های هوشمند را از ابزارهای صرف بازیابی اطلاعات به سیستم هایی با توان تحلیل، استدلال و تولید دانش ارتقا داده اند. با این حال، مدل های زبانی بزرگ همچنان در وظایفی که نیازمند دقت بالا، اتکای دانشی و استدلال قابل کنترل هستند با چالش هایی مانند خطاهای محتوایی و عدم تفسیرپذیری مواجه اند؛ چالش هایی که در حوزه حساس سلامت اهمیت ویژه ای دارند. از سوی دیگر، داده های زیست پزشکی ماهیتی حجیم، ناهمگون و چندوجهی داشته و از منابع متنوعی مانند متون علمی، پایگاه های دانش تخصصی و داده های بالینی گردآوری می شوند. تنوع قالب ها، استانداردها و محدودیت های مالکیتی، تحلیل یکپارچه این داده ها را دشوار ساخته است. در این میان، قابلیت تعمیم پذیری مدل های زبانی بزرگ فرصت مناسبی برای سازمان دهی و یکپارچه سازی این داده ها، به ویژه در قالب گراف های دانش، فراهم می کند. این مقاله مروری، پژوهش های اخیر پیرامون همگرایی مدل های زبانی بزرگ و گراف های دانش در زیست پزشکی و سلامت را به صورت نظام مند بررسی می کند و نقش این ترکیب را در افزایش قابلیت اطمینان، تفسیرپذیری و کارایی سامانه های هوشمند سلامت تبیین می نماید.

کلیدواژه ها:

مدل بزرگ زبانی ، گراف دانش ، علوم زیست پزشکی ، انفورماتیک سلامت