약물 라벨링 문서의 BERT 기반 자연어 처리: 약물 유발 간 손상 위험 분류를 위한 사례 연구

배경 목표: 미국 식품의약국(FDA)은 미국 시장의 약 25%를 차지하는 광범위한 소비자 제품을 규제합니다. FDA의 규제 활동은 종종 많은 문서를 생성하고 읽는 것과 관련이 있으며, 이는 시간 소모적이고 노동 집약적입니다. FDA의 규제 과학을 지원하기 위해, 우리는 텍스트 분류를 위한 규제 문서의 인공지능(AI) 기반 자연어 처리(NLP)를 평가하고 딥러닝 기반 모델과 전통적인 키워드 기반 모델을 비교했습니다. 방법: 약물 유발 간 손상(DILI) 위험을 분류하기 위해 최첨단 언어 모델 BERT를 사용하여 FDA 약물 라벨링 문서를 대표적인 규제 데이터 소스로 사용했습니다. 결과적으로 생성된 NLP-DILI 분류 모델은 내부 및 외부 검증 절차로 통계적으로 검증되었고, 교차 기관 적용을 위해 유럽 의약청(EMA)의 라벨링 데이터에 적용되었습니다. 결과: 이 연구에서 FDA 라벨링 문서를 사용하여 개발되고 교차 검증으로 평가된 NLP-DILI 모델은 DILI 분류에서 1의 재현율과 0.78의 정밀도로 뛰어난 성과를 보였습니다. 교차 기관 데이터를 사용하여 모델을 검증했을 때 성능은 비슷하게 유지되어, 모델이 기관 간에 이동 가능함을 보여주었습니다. 결과는 또한 모델이 약물 라벨링 문장의 의미를 포착할 수 있음을 시사했습니다. 결론: 딥러닝 기반 NLP 모델은 약물 라벨링 문서의 DILI 분류에서 잘 수행되었으며, 약물 라벨링의 복잡한 텍스트의 의미를 학습했습니다. 이 개념 증명 작업은 규제 활동을 돕기 위해 AI 기술을 사용하는 것이 규제 과학을 현대화하고 발전시키는 유망한 접근 방식임을 증명했습니다.