میلاد اله قلی - دانشجوی کارشناسی ارشد، مهندسی کامپیوتر – نرم افزار، دانشگاه علم و صنعت ایران، تهران، ایران
حسین رحمانی - استادیار گروه نرم افزار، دانشگاه علم و صنعت ایران، تهران، ایران
فاطمه کریمخانی - دانشجوی کارشناسی ارشد، مهندسی کامپیوتر – هوش مصنوعی، دانشگاه صنعتی شریف، تهران، ایران

تجزیه و تحلیل روابط بین بیماری ها و علائم آنها یکی از موارد مهمی است که امروزه در علم زیست شناسی موردتوجه قرار گرفته است. متون علمی منبع غنی برای استخراج اطلاعات در مورد روابط بین مفاهیم مختلف زیست شناسی،مانند اطلاعات مربوط به بیماری ها و علائم آنها هستند. یکی از روش های محبوبی که امروزه در این زمینه استفاده می شودروش های متن کاوی مبتنی بر یادگیری عمیق است که به کمک آن می توان روابط میان مفاهیم مختلف را بدست آورد. دراین مقاله، روشی به نام ربیع را پیشنهاد می کنیم که از یادگیری عمیق برای کشف روابط میان بیماری ها و علائم آناستفاده میکند. روش پیشنهادی مدل Word2Vec را بر روی چکیده مقالات PubMed آموزش میدهد و بردار بیماری ها و علائم آنها را از متون استخراج می کند. سپس با استفاده از بردارهای استخراج شده گراف علائم-بیماری را می سازد. باتوجه به اینکه مرجع معتبری برای ارزیابی روابط بین بیماری ها و علائم آنها وجود ندارد روش ربیع با دو روش TFIDF و Apriori مقایسه شده است که به ترتیب 74 و 57 درصد شباهت میان روش ربیع و روش های TFIDF و Apriori وجود داشته است. همچنین نتایج روش پیشنهادی ربیع برای بیماری های آنفولانزا، تومور فیبروید و پوکی استخوان نیز ارزیابی شده و بررسی های دامنه ای حکایت از دقت بالای روش پیشنهادی ربیع برای شناسایی رابطه میان بیماری ها و علائم آنها دارد.

روابط علائم- بیماری، یادگیری عمیق، متن کاوی، بردار تعبیه کلمات، تشخیص بیماری