プロジェクト一覧に戻る

埋め込み・医療 2025年4月〜2026年3月

医療文書の類似度分析・EMRシステム

【概要】企業の研究所向けに開発した、電子カルテ(EMR)データの類似度分析システム。

役割
AIエンジニア
期間
2025年4月〜2026年3月
案件
総合電機メーカー研究所(ヒューマンリソシアより派遣)
規模
約20名
表1成果
4 比較した埋め込みモデルのAPI
AUROC · F1 モデル選定のためのオフライン評価
JSON · CSV 医師向けのEMR編集・CSV出力

01課題とアプローチ

課題

関連する臨床記録でも表現が大きく異なるため、キーワード検索では見落としが生じます。しかも扱うのは機密性の高い医療データです。

アプローチ

古典的な検索手法とTransformer埋め込みを組み合わせ、埋め込みモデルは評判ではなく評価指標で選定しました。

02処理の流れ

  1. 入力 EMRの取り込み(JSON) 電子カルテと医療評価データを読み込み。
  2. ステップ 02 前処理 医療テキストを正規化。ルール+MLで表現の揺れを吸収。
  3. ステップ 03 埋め込み生成 Titan・Azure OpenAI・OpenAI・Cohereで埋め込みを生成。
  4. ステップ 04 類似度・ランキング TF-IDF・コサイン類似度・KNNで関連する記録を検索・ランク付け。
  5. ステップ 05 評価 AUROC/F1のオフライン評価と誤り分析で、最適なモデルを選定。
  6. 出力 Streamlitで確認 EMR管理UIと、類似度グラフの可視化(Pyvis)。
図1医療文書の類似度分析・EMRシステムの処理の流れ

03担当した内容

  1. 臨床記録の類似文書検索を構築。KPI抽出に加え、Transformer埋め込み上でTF-IDF・コサイン類似度・KNNを活用。
  2. ルールベース+MLのハイブリッドスコアリングで、医療表現の揺れを吸収。
  3. AWS Bedrock(Titan)・Azure OpenAI・OpenAI・Cohereの埋め込みモデルを比較評価(AUROC/F1のオフライン評価)し、最適なモデルを選定して検索精度を向上。
  4. StreamlitでEMR(JSON)の管理UI(編集・CSV出力)と、誤り分析のためのPyvisグラフ表示を開発し、医師ユーザーの操作性を改善。

04使用技術

  • Python
  • scikit-learn
  • Transformers
  • Pandas
  • NumPy
  • Amazon Bedrock
  • Azure OpenAI
  • OpenAI API
  • Cohere API
  • Streamlit
  • Pyvis

ご請求制

履歴書・職務経歴書のご請求

履歴書・職務経歴書はご請求制でお送りしています。以下をご入力いただければ、内容を確認のうえメールでお送りします。

お立場

ご希望の書類

0 / 100語

ご入力いただいた情報は、本請求の対応にのみ使用し、第三者に提供することはありません。