Enfoque de modelo de lenguaje grande en dos etapas que mejora la clasificación de entidades y el mapeo de relaciones...

Área de la Ciencia:

• La informática médica
• Procesamiento del lenguaje natural
• Radiología

Sus antecedentes:

• Los informes de radiología presentan variabilidad lingüística, desafiando el análisis automatizado y el etiquetado de imágenes médicas.
• La estructuración precisa de los hallazgos radiológicos y los patrones temporales de la enfermedad es crucial para la toma de decisiones clínicas.

Objetivo del estudio:

• Desarrollar y evaluar una tubería de procesamiento de lenguaje natural en dos etapas que integre representaciones bidireccionales de codificadores de transformadores (BERT) y grandes modelos de lenguaje (LLM).
• Mejorar el análisis de los informes radiológicos para el mapeo de la localización de la lesión en la TC torácica y el mapeo de los episodios de diagnóstico en la RMC cerebral.

Principales métodos:

• Se desarrolló una tubería de dos etapas: Clasificación clave de entidades utilizando BERT para identificar y clasificar entidades, seguida de Mapeo de relaciones utilizando un LLM para inferir relaciones entre entidades extraídas.
• La tubería fue entrenada y validada en más de 400,000 informes de radiología del Centro Médico Asan de Seúl.

Principales resultados:

• La tubería logró una puntuación macro F1 de 77.39 para el mapeo de la localización de la lesión por TC torácica.
• La tubería logró una puntuación macro F1 de 70.58 para el diagnóstico de episodios de resonancia magnética cerebral.
• La integración de BERT y LLM demostró su eficacia en la mejora de la precisión del diagnóstico para el análisis de informes de radiología.

Conclusiones:

• La tubería integrada propuesta de BERT y LLM analiza eficazmente los informes de radiología, mejorando la estructuración de los hallazgos y la captura de patrones temporales.
• Este enfoque tiene un potencial significativo para avanzar en el etiquetado de imágenes médicas y la precisión del diagnóstico en radiología.