MEDICINE & AI

タイトル：Enhanced drug-drug interaction extraction from biomedical text using deep learning-based sentence representations. 雑誌名：Sci Rep. 2025 Oct 29; 15(1): 37842. 概　要： 薬物相互作用（DDI）は無視できない重要な問題であり、悪影響を及ぼす可能性があるため、医療サービスの利用が増加し、医療費が増大します。従来の機械学習（ML）アプローチは、DDI抽出において成功が限定的でしたが、最近の深層学習やトランスフォーマーベースのモデルは、文脈の理解を向上させる可能性があります。本研究では、CNN-DDIという畳み込みニューラルネットワークモデルを提案し、バイオメディカルテキストからDDIを効率的に抽出します。SemEval-2013データセットを用いた比較分析において、CNN-DDIは86.81%の全体精度と83.81%のF1スコアを達成し、他のモデルを上回る性能を示しました。 方　法： 本研究では、CNN-DDIという畳み込みニューラルネットワークモデルを用いてDDIを抽出しました。SemEval-2013データセットを用いて、従来の機械学習モデル（ロジスティック回帰、SVM、ランダムフォレスト、ナイーブベイズ、決定木）やトランスフォーマーベースのモデル（BioBERT、RoBERTa、DeBERTa、ELECTRA、DistilBERT）と比較しました。全てのモデルは同様のパラメータ調整と前処理の手順で訓練されました。 結　果： CNN-DDIは、86.81%の全体精度と83.81%のF1スコアを達成し、最も高い性能を示しました。トランスフォーマーベースのモデルでは最高F1スコアが81.41%（BioBERT-BiLSTM）、従来のMLモデルでは77.09%（ロジスティック回帰）でした。CNN-DDIは、競争力のある性能と少ないコンピュータ要件を統合しており、大規模なバイオメディカルテキストマイニングに適した選択肢となります。 結　論： CNN-DDIモデルは、薬物相互作用の抽出において高い精度を示し、従来の手法よりも効率的であることが確認されました。このモデルは、バイオメディカルテキストマイニングにおける実用的な選択肢として期待されます。