Derinlik | CMU Profesörü Xing Bo'nun ekibinin bir başka yeni sonucu daha var: boşaltma ilacını tahmin etmek için derin öğrenme teknolojisini kullanmak
Leifeng.com'a göre, elektronik sağlık kaydı (EHR) sistemlerinin ve yeni tıbbi ve sağlık hizmeti veri kaynaklarının hızla gelişmesiyle, tıbbi ve sağlık hizmetleri verileri çok sayıda ortaya çıktı. Veri hacmindeki ve karmaşıklığındaki artışla birlikte, tıbbi analiz ve karar verme zaman alıcı, hataya açık ve istenmeyen hale geldi. Çeşitli klinik kararlarda ideal bir tedavi planı oluşturmak çok önemli ve zordur. Teşhisin öncülüğünde bile, doktorların tedavi planını hastanın hastalığın seyrine göre sürekli olarak optimize etmesi gerekir.
Bunlar arasında, hasta kabul edildikten sonra taburcu edilen ilaçların tahmini önemli bir klinik karardır. Doktorların ilaç türlerini planlamasına ve hastanede yatarken ilaç tedavisine ne zaman başlayıp ne zaman durduracağına karar vermesine yardımcı olabilir, çünkü bazı ilaçlar diğer ilaçları desteklemek veya yönetmek için zaman gerektirir. ayarı. Bu, doktor için zor bir karar olabilir, çünkü kabul sırasında mevcut olan bilgiler sınırlıdır.
Birkaç gün önce, Leifeng.com "CMU Profesörü Xing Bo'nun en son başarısı: Tıbbi görüntüleme raporlarını otomatik olarak oluşturmak için yapay zekayı kullanmak." Son zamanlarda ekip yeni sonuçlar üretti, Doktorların taburcu ilaçlarını hastanın tıbbi kayıtlarındaki sağlık bilgilerine göre tahmin etmelerine yardımcı olmak için derin öğrenme teknolojisinin nasıl kullanılacağını araştırın. Tıbbi kayıtları analiz etmek için evrişimli bir sinir ağı tasarladılar ve ardından hastaneden taburcu edildiğinde hastanın ilacını tahmin ettiler.
Leifeng.com, modelin yapılandırılmamış ve gürültülü metinlerden anlamsal temsiller çıkarabildiğini ve farklı ilaçlar arasındaki farmakolojik korelasyonları otomatik olarak öğrenebileceğini öğrendi. Ekip, modeli 25.000 hasta ziyaretinde değerlendirdi ve 4 kıyaslama modeliyle karşılaştırdı. Makro ortalama F1 skorunda, bu yöntem, en iyi kıyaslama modeline göre% 20 iyileştirmeye sahiptir.
Boşaltılan ilaçları tahmin etmek için derin öğrenmenin kullanılmasında iki büyük zorluk
Kabul anında taburcu edilen ilaçları tahmin etmek için derin öğrenme yöntemlerini kullanma sürecinde iki temel zorluk vardır. Birincisi, mevcut tıbbi bilgilerin çoğu, geçmiş tıbbi geçmiş, aile öyküsü, alerji vb. Gibi yapılandırılmamış tıbbi kayıtlardır (kabul kayıtları olarak adlandırılır). Laboratuvar test verileri ve fiziksel veriler gibi yapılandırılmış bilgilerle karşılaştırıldığında, bu serbest biçimli metinlerin makineler tarafından işlenmesi ve anlaşılması daha zordur. Ek olarak, bu kayıtlar eşanlamlılar, kısaltmalar ve yazım hataları içerir. Bu nedenle, bu yapılandırılmamış ve gürültülü metinlerden etkili bir şekilde anlamsal kalıplar çıkarmak, çözmemiz gereken ilk sorundur.
İkinci olarak, klinik uygulamada, hastalıkları hızlı ve etkili bir şekilde iyileştirmek için sıklıkla iki veya daha fazla ilaç kullanılır ve birçok ilaç kombinasyonu, klinik tedavi kılavuzlarında veya uzman görüş birliğinde yaygın olarak kabul edilir. Örneğin, aspirin almış inme hastaları için, başka bir inmenin oluşumunu etkili bir şekilde önlemek için, doktorlar ikili anti-platelet tedavisi, yani aspirin ve klopidogrel almayı önereceklerdir. Çok sayıda çalışma, birden fazla ilacın kombine tedavisinin hastalığın ilerlemesi, prognozu ve ölüm olaylarının oluşumu üzerinde belirli bir etkiye sahip olduğunu göstermiştir. İlaçlar arasındaki bu korelasyonun otomatik olarak nasıl keşfedileceği ve kullanılacağı daha doğru çoklu ilaç tahmini için çok önemlidir ve ayrıca çok değerlidir.
yöntem
Araştırma tasarımı
Daha önce topladığımız Yoğun Bakım Ünitesindeki (YBÜ) hastaların elektronik sağlık kayıtları üzerinde geriye dönük bir çalışma yürüttük ve tıbbi kayıtlara göre taburcu edilen ilaçları tahmin etmek için derin öğrenme modeli oluşturduk. Modelin performansını değerlendirmek için bu modelin öngördüğü ilaç ile diğer dört kıyaslama modeli ve doktor tarafından verilen ilaç arasındaki farkı karşılaştırdık.
Veri ön işleme
Çalışma, MIMIC-III veri setini kullandı ve içinde ortaya çıkan 8 antihipertansif ilaca odaklandı: metoprolol, furosemid, lisinopril, amlodipin ( amlodipin), atenolol (atenolol), hidroklorotiyazid (hidroklorotiyazid), diltiazem (diltiazem), karvedilol (karvedilol).
Bu ilaçların seçimi aşağıdaki hususlara dayanmaktadır: Öncelikle, bu ilaçlar genellikle en yaygın ve ciddi kronik hastalıklardan biri olan hipertansiyonu tedavi etmek için kullanılır ve MIMIC-III'te yaygın olarak görülür. İkincisi, tahmin etmeleri zordur: reçeteleri ve kullanımları, özellikle birlikte kullanıldıklarında büyük ölçüde değişir, bu da onları yöntemimiz için iyi bir test yatağı haline getirir. Bu ilaçların sıklığı dengesizdir (Şekil 1'de gösterildiği gibi): Bazıları çok sık görülürken diğerleri küçüktür ve bu da başka bir zorluk katmanı ekler. Yeterli klinik veri olduğu sürece, yöntemimizin diğer ilaç türlerine kolayca genişletilebileceğini belirtmekte fayda var.
Şekil 1.8 MIMIC-III veri setinde antihipertansif ilaçların sıklığı. Hctz, hidroklorotiyazidin kısaltmasıdır.
Model tasarımı
Ziyaret sırasında mevcut olan bilgilere dayanarak taburcu edilen ilaçları tahmin edebilen bir derin öğrenme modeli geliştirdik. Modelin girdisi tıbbi kayıtlardır ve çıktı, hastanın taburcu edilen ilacıdır (bir veya daha fazla). Modelin iki işlevi vardır: yüksek seviyeli anlambilimini gürültülü ve yapılandırılmamış orijinal metinlerden etkili bir şekilde çıkarabilir ve ardışık sözcükler arasındaki sıra yapısını uygun şekilde değerlendirebilir; ikinci olarak, model farklı ilaçlar arasında öğrenebilir Farmakolojik alaka.
Her iki hedefe aynı anda ulaşmak için, Convolutional Neural Network'e (CNN) dayalı bir model geliştirdik. Yüksek bir seviyeden, model: 1) giriş kayıtlarının örtük anlamını elde etmek için birden çok yığılmış gizli birim katmanı kullanır; 2) yerel semantiği n-gram cinsinden elde etmek için farklı pencere boyutlarına sahip evrişim operatörleri kullanır Ve dizi yapısı; 3) İlaçlar arasındaki farmakolojik korelasyonu öğrenmek için ortak gizli faktörler bulunabilir.
Soldaki sütun, bir doktoru ziyaret ederken mevcut olan 8 tür bilgiyi gösterir ve sağ sütundaki her satır, MIMIC-III'te bu tür bilgilerin ayıklanması için ilgili başlık dizesini gösterir.
Şekil 2. CNN modelinin ağ mimarisi
sonuç
Makro ortalama ve mikro ortalama F1 puanlarından, CNN diğer tüm kıyaslama modellerinden çok daha yüksek doğruluğa sahiptir. İki ortalama F1 skoru arasında, CNN'nin makro ortalamadaki gelişimi daha önemlidir. CNN, 7 uyuşturucunun tümünde en iyi F1 puanlarını aldı. Furosemid, RF'nin CNN'den daha iyi performans gösterdiği tek istisnadır. CNN'nin kıyas ölçütüne göre gelişimi esas olarak geri çağırma oranında yansıtılır ve doğruluğu kıyaslama modeliyle karşılaştırılabilir. Çeşitli kıyaslama modelleri arasında, girdi olarak yalnızca ilaçları kullanan Çok Katmanlı Algılayıcı (MLP), makro ortalamada ve mikro ortalamada en kötü performansa sahiptir; ayrıca doğrusal olmayan destek vektör makinesi (SVM) ve RF, Doğrusal lojistik regresyon modeli (LR).
Diğer kriterlere kıyasla daha yüksek CNN puanı, hiyerarşik gizli katman yapısından gelir. Bu yapı, CNN'in ilgili anlamsal bilgileri birden çok ayrıntı düzeyinde (kelime seviyesi, kelime öbeği seviyesi ve metin seviyesi) çıkarmasını sağlar.
Kurulum ve değerlendirme
Temel model : CNN modelini SVM, RF ve LR'nin üç sınıflandırma modeli ile karşılaştırıyoruz. CNN'den farklı olarak, bu modellerde metnin anlamsal temsilini otomatik olarak öğrenen veya ilaçlar arasındaki korelasyonları yakalayan bir mekanizma yoktur. Bu modellerin giriş özellikleri, kayıt kayıtlarından çıkarılan kelime frekansı ve ters belge frekansı (TF-IDF) vektörleridir. (Lei Feng Net Not: TF-IDF, bir kelimenin bir belge seti veya bir külliyat içindeki belgelerden biri için önemini değerlendirmek için kullanılan istatistiksel bir yöntemdir. Bir kelimenin belgede göründüğü şekliyle önemi Sayı orantılı olarak artar, ancak aynı zamanda külliyatta görünme sıklığı ile ters orantılı olarak azalır).
Klinik uygulamada görüldüğü gibi, taburcu edilen ilaçlar kabul edilen ilaçlarla yakından ilişkilidir ve bazen büyük bir örtüşme vardır. Bazı insanlar, geçmiş tıbbi geçmiş ve başlıca şikayetler gibi diğer kabul bilgileri olmadan, sadece kabul edilen ilaçlara dayalı olarak taburcu edilen ilaçları tahmin etmenin yeterli olup olmadığını merak edebilir. Bu soruyu cevaplamak için, girdi olarak sadece kabul edilen ilaçları kullanarak başka bir temel çizgiyi karşılaştırıyoruz ve taburcu edilen ilaçları tahmin etmek için çok katmanlı bir algılayıcı (MLP) kullanıyoruz.
Değerlendirme göstergeleri: Modelin performansını değerlendirmek için test setindeki sınıflandırmanın (ilaç) doğruluğunu, geri çağırma oranını ve F1 puanını ve ayrıca tüm ilaç sınıflandırmaları için bu puanların mikro ortalamasını ve makro ortalamasını ölçtük. İlaç kategorilerinin sıklığı yüksek oranda saptığından (Şekil 1'de gösterildiği gibi), mikro ortalama (sık kategoriler için iyidir) sık kategorilerdeki hataları olduğundan daha az tahmin edebilir ve makro ortalama, modelin seyrek sınıflarda olduğunu daha iyi ortaya çıkarabilir. Verim.
sonuç
Farklı modeller antihipertansif ilaçları 5 kez değerlendirir ve elde edilen ortalama doğruluk (P), geri çağırma oranı (R) ve F değeri (F) değerleri Tablo 2'de gösterilmektedir.
Tablo 2: İlaçların doğruluğunu (P), geri çağırmayı (R) ve F değerini (F) değerlendirmek için CNN ve 4 temel model. Mikro ortalama alma ve makro ortalama alma ile 5 modeli karşılaştırın.
Ek Tablo 6'da, bu 5 kez F değerinin doğruluğunu, hatırlanmasını ve standart sapmasını görebilirsiniz.
Ek Tablo 6
Tablo 2'nin son iki satırı, 7 ilacın Mikro Ort. Ve Makro Ort. Sadece F değerini gözlemlediğimizde, CNN'nin diğer dört modelin mikro ortalamasından ve makro ortalamasından çok daha iyi olduğunu görebiliriz. Mikro ortalama ile karşılaştırıldığında, CNN'nin makro ortalama optimizasyonu daha önemlidir. 8 ilacın 7'si için en yüksek F değerini CNN elde etti. Tek istisna, CNN'den daha yüksek bir F değerine sahip olan furosemiddir. Diğer dört temel modelle karşılaştırıldığında, CNN esas olarak ilaç geri çağırma oranını iyileştirir ve doğruluk değeri diğer modellere benzer. Dört temel model arasında, çok katmanlı algılayıcı (MLP) yönteminin F1 değerinin mikro ortalaması ve makro ortalaması en düşüktür ve doğrusal olmayan destek vektör makinesi (SVM) ve RF doğrusal olmayan modellerdir ve kapsamlı düzeyleri doğrusal modele (LR) dayalı lojistik regresyon modelinden daha yüksektir. )bu iyi.
CNN'in diğer temel modellerden daha iyi performans göstermesinin ana nedenlerinden biri, birden fazla ayrıntı düzeyinden anlamsal bilgileri yakalamak için hiyerarşik gizli katmanları kullanmasıdır. Bunu doğrulamak için çeşitli görsel göstergeler kullanıyoruz. İlk olarak, gömme vektörünün kelime anlamını yakalayıp yakalayamadığını kontrol edin. Her kelimeyi bir gömme vektörü w olarak düşünün, gömme vektörü w ile diğer kelime vektörleri arasındaki Öklid mesafesini hesaplayın ve sonra gömme vektörü w'ye en yakın olan kelimeyi alın. Tablo 3, 20 kelimeyi ve en yakın Öklid mesafesini göstermektedir. Daha sonra, evrişimli katmandaki filtreleri tespit etmek için görsel göstergeler kullanırız ve bunların cümlelerin anlamını yakalayıp yakalayamayacaklarını kontrol ederiz. Pencere boyutuyla eşleşen farklı filtreler aracılığıyla en büyük öz değere sahip ifadeyi seçiyoruz. Tablo 4, pencere boyutu 3 ve pencere boyutu 4 olan filtre tarafından oluşturulan maksimum özellik değeri ifadelerini göstermektedir.
tartışmak
Tablo 2'de gösterildiği gibi, beş modeli kapsamlı bir şekilde değerlendiren CNN, iki ana nedenden ötürü diğer temel modellerden daha üstündür: Bir nedeni, CNN'in birden çok taneciklik yoluyla anlamsal bilgiyi yakalayabilmesidir, diğer temel modellerde böyle bir mekanizma yoktur. CNN, kelime anlamını, kelime öbeğini ve metin anlamını tanımak için kelime gömme katmanı, evrişimli katman ve yoğun katman kullanır.
Tablo 3.20 vektörleri w ve en yakın Öklid mesafeli kelimeleri gömme.
Tablo 3, her bir gömme vektörünün en yakın komşusu ile güçlü bir klinik korelasyona sahip olduğunu göstermektedir. Örneğin, "arter" için bitişik kelime "troponin" dir ve bu iki kelimenin klinik önemi çok yüksektir.
Kelimeler arasındaki ilişki şu şekildedir: Koroner kalp hastalığı olan hastalar için, troponin seviyesi yükseldiğinde, "aort" ve "mitral kapak" ilişkili kelimeler haline gelecektir, çünkü hastalığa en duyarlı olanlar aort kapağı ve mitral kapakçıktır. kapak. "Angina" ve "ekokardiyogram" kelimeleri de birbiriyle ilişkilidir, çünkü anjina ekokardiyografi ile teşhis edilebilir. Bu, gömme vektörünün kelimelerin anlamlarını iyi yakalayabildiğini gösterir.
Tablo 4. Filtrelerin görselleştirilmesi. Pencere boyutu 3 ve pencere boyutu 4 olan bir filtre tarafından üretilen maksimum özellik değeri ifadesi.
Evrişimli katman sayesinde, her filtre belirli anlambilimlerini tanıyabilir. Örneğin 1-4 filtreleri varisli damarlar, böbrek hastalığı, laboratuar testleri ve koroner arter hastalığıdır. Filtreler 5-8 solunum problemleri, kardiyomiyopati, arteriyel transplantasyon ve kalp yetmezliğidir. İlginç bir şekilde, herhangi bir ortak kelimeye sahip olmayan ancak anlamsal olarak ilişkili olan kelimeler aynı filtre altında bulunur. Örneğin, filtre 2, "renal hipertansiyon", "siyah dışkı" ve "hemodiyaliz işlemi" nde, bu üç sözcüğün ortak sözcükleri yoktur, ancak anlamları yakından ilişkilidir. "Siyah dışkı", son dönem böbrek hastalığının yaygın bir semptomudur ve "hemodiyaliz", böbrek hastalığı için yaygın bir tedavidir. Filtre 8, farklı pencere boyutu filtreleri kullanmanın gerekliliğini gösterir. Bu kelimelerin hepsi "konjestif kalp yetmezliği" (KKY) ile ilgili olmasına rağmen, ilk kelimedeki farklılıkları farklı anlamlar ortaya koymaktadır. KKY'nin sonucu, tıbbi geçmişi, etiyolojisi, ciddiyeti ve varlığıdır. Yalnızca pencere boyutu 3 olan bir filtre kullanırsak, yalnızca "konjestif kalp yetmezliği" nin anlamını elde edebiliriz. Ancak, pencere boyutu 4 olan bir filtre kullanmak, daha ayrıntılı anlamlar yakalayabilir.
Tüm metnin anlamsallığı yoğun katmanda elde edilebilir. Şekil 3'te gösterildiği gibi, boşaltılan ilaçların ilgili ek açıklamaları, vektör yakınlık derecesi ile verilmektedir. Örneğin, ilk küçük resimde, iki set markör açıkça görülmektedir, bu iki set markör "Metoprolol" ve "Metoprolol içermez" e karşılık gelir. Hasta hastaneden taburcu edildiğinde aldığı ilacı vektör yakınlık derecesine göre tahmin etmenin çok faydalı olduğunu gösteren diğer grafiklerde de benzer bir fenomen görülebilir. Ayrıca bu rakamlar sayesinde bazı klinik bilgiler edinebiliriz. "Metoprolol" ve "Furosemide" in küçük örnek görüntülerinde, kırmızı işaretçi ve siyah işaretçi büyük ölçüde örtüşüyor, bu da iki ilacın uyumlu olduğunu gösteriyor. "Amlodipin" ve "Atenolol" ün küçük örnek görüntüleri, kırmızı işaretçi ve siyah işaretçi arasındaki örtüşmenin çok küçük olduğunu ve iki ilacın nadiren uyumlu olduğunu gösterir.
CNN modelinin diğer temel modellerden daha iyi performans göstermesinin bir diğer ana nedeni, ilaçlar arasındaki korelasyonu yakalayabilmesidir. CNN modeli tarafından elde edilen korelasyon sıralaması, PMI sıralaması ile oldukça tutarlıdır. Lisinopril dışındaki tüm ilaçlar için, korelasyona dayalı CNN modeli ile elde edilen en alakalı ilaçlar, PMI'ya dayalı olarak bulunanlarla aynıdır. Bu, CNN modelinin ilaçlar arasındaki ilişkiyi etkili bir şekilde yakalayabildiğini göstermektedir.
CNN modelinin atenolol ve diltiazem gibi daha az kullanılan ilaçların F1 değerini etkili bir şekilde iyileştirebildiğini görebiliriz. Metoprolol ve furosemid gibi kullanım sıklığı yüksek olan ilaçlar için, CNN modelinin F1 değeri diğer modellerinkine benzer. Bu nedenle, CNN modeli, daha az kullanılan ilaçların F1 değerinin makro ortalamasını etkili bir şekilde iyileştirebilir. Ancak, uyuşturucu kullanım sıklığı yüksek olan ilaçlar için CNN modeli, F1 değerlerinin mikro ortalamasını önemli ölçüde iyileştirmez. İlacın tahmini iki faktöre bağlıdır:
(I) Uyuşturucular ve kabul bilgileri arasındaki ilişki;
(İi) Uyuşturucular ve diğer uyuşturucular arasındaki korelasyon.
Daha az kullanılan ilaçlar için ilaç ile diğer ilaçlar arasındaki ilişki çok önemlidir. CNN, ilaç ilgisini etkili bir şekilde yakalamak için bir mekanizmaya sahiptir, bu nedenle daha az kullanılan ilaçları tahmin etmek için daha uygundur.
MLP, 5 ilaç arasında en düşük F1 değerine sahiptir ve ortalama F1 değeri de düşüktür. Bunun nedeni, MLP modelinin yalnızca girdi olarak uyuşturucu kullanması ve geçmiş tıbbi geçmiş, başlıca şikayet vb. Gibi daha fazla bilginin girilmesi gerektiğidir. Bu, taburcu edilen ilaçların tahmininin kabul edilen ilaçların tahmininden önemli ölçüde farklı olduğunu ve doğru tahminler yapmak için diğer bilgi türlerinin etkili bir şekilde kullanılması gerektiğini göstermektedir. Tüm modeller için, daha yüksek kullanım sıklığına sahip ilaçlar genellikle daha yüksek bir F değerine sahiptir, çünkü daha büyük bir veritabanı makine öğreniminin tahmin performansı için faydalıdır.
sınırlama
CNN'in performansı diğer güçlü kıyaslama modellerinden daha iyi olsa da, bazı sınırlamalarını tartıştık.
Birincisi, CNN'nin sık ve seyrek ilaç kategorileri arasındaki performans farkı, taban çizgisine kıyasla iyileşmiş olmasına rağmen hala büyüktür. Örneğin, CNN'nin en yaygın iki ilaç üzerindeki F1 skorları 0.79 ve 0.70'dir ve bunlar daha az yaygın olan ilaçlardan (atenolol ve hctz) çok daha iyidir. Gelecekteki çalışmalarda bu boşluğu doldurmanın bir yolunu bulmayı planlıyoruz.
Metodumuzun diğer bir sınırlaması, tamamen veriye dayalı olması ve insan bilgisi içermemesidir. Klinik uygulamada, doktorlar ilaç reçete etmek için meslek birliklerinin yönergelerine başvururlar. Bu tür yönergeler, tahminin doğruluğunu daha da iyileştirmek için CNN modeline dahil edilebilir.Gelecekte keşfetmeyi planlıyoruz.
Yine mevcut yöntemimizde, taburcu edilen ilaçları tahmin etmek için sadece tıbbi bilgiler kullanılmaktadır. Sigorta türleri, ilaç maliyetleri ve ilaç reçeteleri üzerindeki etki gibi klinik olmayan faktörler de tahmin modeline dahil edilmelidir.
Son olarak, MIMIC-III'teki önlemler çok gürültülüdür ve mevcut ön işleme adımlarımız bu seslerle tam olarak başa çıkamamaktadır. Örneğin, farklı erişim bilgisi türlerini tanımlamak için kullanılan başlık dizeleri kapsamlı değildir ve bu da çok fazla bilgi kaybına yol açar. Bir sonraki adımda, bu "köşedeki" vakaları manuel olarak işleyeceğiz ve eğitim setine dahil edeceğiz.
sonuç olarak
Sadece kabul sırasında mevcut olan bilgilerin taburcu edilen ilacı doğru bir şekilde tahmin edebileceğini bulduk. Bu tür tahminler, doktorlara tedavi planları geliştirmeleri için değerli bilgiler sağlayabilir. 8 ilaç arasında CNN modeli 0,63 (mikro ortalama) doğruluk elde etti ve hatırlama oranı 0,70 idi.
Makro ortalama F1 puanı açısından, CNN modeli en iyi temel modelden% 20'den daha fazla performans gösteriyor. Performans kazancı, CNN'nin iki özelliğine atfedilir ve bu iki yetenek temel bir yöntem değildir. İlk olarak, CNN metnin anlamsal temsilini öğrenebilir. Kelime yerleştirme, evrişim filtreleri ve yoğun katmanlar dahil olmak üzere ayrı model bileşenlerinin ayrıntılı görselleştirmesini gerçekleştiriyoruz.
Bu görselleştirmeler, CNN modelinin orijinal metinden farklı ayrıntıların anlamlarını çıkarabildiğini göstermektedir. İkinci olarak CNN, potansiyel faktörleri paylaşma mekanizması aracılığıyla ilaçlar arasındaki ilişkiyi yakalayabilir. Bu yetenek, CNN'nin temelden daha iyi performans göstermesinin bir başka ana nedenidir çünkü yakalanan ilgili tedaviler, özellikle yaygın olmayan ilaç tedavilerinde eğitim örnekleri eksiktir.
Çözümümüz belirli bir görevden esinlense de, diğer klinik tahmin görevleri için de genel bir çözüm olabilir. Örneğin, hedef etiketleri ilaçlardan hastalıklara kaydırarak CNN tanıya yardımcı olmak için kullanılabilir.
