Trial2Vec: Zero-Shot-Suche nach Ähnlichkeit von klinischen Studien-Dokumenten mithilfe von Selbstsupervision

Klinische Studien sind für die Arzneimittelentwicklung unerlässlich, aber ihre Durchführung ist äußerst teuer und zeitaufwändig. Es ist vorteilhaft, ähnliche historische Studien bei der Gestaltung einer klinischen Studie zu untersuchen. Allerdings machen die umfangreichen Studiendokumente und der Mangel an beschrifteten Daten die Suche nach Ähnlichkeiten zwischen Studien schwierig. Wir schlagen eine Zero-Shot-Methode zur Retrieval klinischer Studien vor, die als Trial2Vec bezeichnet wird und durch Selbstsupervision lernt, ohne dass ähnliche klinische Studien annotiert werden müssen. Insbesondere wird die Meta-Struktur von Studiendokumenten (z. B. Titel, Eignungskriterien, Zielkrankheit) zusammen mit klinischem Wissen (z. B. UMLS-Wissensdatenbank) genutzt, um automatisch kontrastive Proben zu generieren. Darüber hinaus kodiert sie Studiendokumente unter Berücksichtigung der Meta-Struktur und erzeugt so kompakte Einbettungen, die multiaspektuelle Informationen aus dem gesamten Dokument aggregieren. Wir zeigen, dass unsere Methode medizinisch interpretierbare Einbettungen durch Visualisierung liefert und eine durchschnittliche Verbesserung von 15 % gegenüber den besten Baselines in Bezug auf Präzision/Rückruf bei der Studienretrieval erzielt, was an unseren beschrifteten 1600 Studienpaaren evaluiert wurde. Darüber hinaus beweisen wir, dass die vortrainierten Einbettungen dem nachgelagerten Vorhersageaufgabe der Studienergebnisse über 240.000 Studien zugutekommen. Die Software ist verfügbar unter https://github.com/RyanWangZf/Trial2Vec.