Video Experimental Relacionado
Updated: Jan 29, 2026

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
Published on: October 27, 2023
Reconocimiento preciso de entidades clínicas y mapeo de códigos de informes anatomopatológicos utilizando
Hamida Abdaoui1, Chamseddine Barki1, Ismail Dergaa2
1Laboratory of Biophysics and Medical Technologies, Higher Institute of Medical Technologies of Tunis (ISTMT), University of Tunis El Manar, Tunis 1006, Tunisia.
Este estudio presenta un pipeline automatizado para extraer y estandarizar información de informes anatomopatológicos, mejorando la accesibilidad de los datos para la investigación. El sistema demuestra alta precisión en el reconocimiento de entidades y la normalización multi-ontológica, superando las limitaciones del procesamiento manual de datos.
Área de la Ciencia:
- Informática Médica
- Procesamiento del Lenguaje Natural
- Patología Computacional
Sus antecedentes:
- Los informes anatomopatológicos no están estructurados, lo que dificulta la extracción automatizada de datos y la investigación a gran escala.
- La estandarización manual de datos requiere muchos recursos y es difícil de escalar.
Objetivo del estudio:
- Desarrollar y evaluar un pipeline automatizado para la extracción de entidades y la normalización multi-ontológica de informes anatomopatológicos.
- Mejorar la interoperabilidad de los datos y facilitar la investigación automatizada utilizando texto clínico.
Principales métodos:
- Se anotó un corpus de 560 informes para tipo de muestra, prueba realizada y hallazgo.
- La extracción de entidades empleó BioBERT v1.1.
- La normalización utilizó BioClinicalBERT con generación aumentada por recuperación sobre SNOMED CT, LOINC y CIE-11.
Principales resultados:
- Se logró un alto rendimiento de extracción (puntuación F1 general de 0.963).
- El enfoque combinado de BioClinicalBERT y recuperación densa superó a otros para el mapeo de terminología.
- Se demostró una codificación robusta con un acuerdo sustancial a casi perfecto (Kappa de Cohen 0.7829-0.9773).
Conclusiones:
- El pipeline desarrollado ofrece una extracción automatizada robusta y codificación multi-ontológica para entidades anatomopatológicas.
- El reconocimiento de entidades nombradas basado en transformadores y la generación aumentada por recuperación respaldan las capacidades del sistema.
- Se recomienda la validación multiinstitucional antes de la implementación clínica debido a las limitaciones del estudio.
Más Videos Relacionados
Videos de Conceptos Relacionados
Retrieval
Recall involves accessing information without cues, such as during an essay test, where individuals must retrieve facts and concepts from memory unaided. Another example is remembering the name of a colleague...
lncRNA - Long Non-coding RNAs
Self-Evaluation: Self-Enhancement and Self-Verification
ER Retrieval Pathway
The ER uses many checkpoints to prevent the entry of incorrectly folded or a resident protein as cargo onto a transport vesicle. These mechanisms...
Hybridization of Atomic Orbitals I
Hybrid Zones

