使用MR放射学报告预测扩散性质瘤中异酸脱酶基因型的自然语言处理
Minjae Kim1,2, Kai Tzu-Iunn Ong3, Seonah Choi4
1Department of Radiology and Research Institute of Radiological Science and Center for Clinical Imaging Data Science, Yonsei University College of Medicine, Seoul, Korea.
European radiology
|August 11, 2023
概括
自然语言处理 (NLP) 模型可以从MR报告中预测扩散性质瘤中异酸脱酶 (IDH) 突变状态. 与人类阅读器相比,BERT GCN模型取得了更高的性能.
科学领域:
- 人工智能在医学中的应用
- 计算病理学计算病理学
- 神经瘤学神经瘤学
背景情况:
- 异酸脱酶 (IDH) 突变状态对于扩散性质瘤的分类和预后至关重要.
- 准确预测IDH突变状态有助于治疗规划和个性化医学.
- 常规的MR放射学报告包含有价值的信息,用于预测质瘤基因型.
研究的目的:
- 评估各种自然语言处理 (NLP) 模型在预测扩散性质瘤中IDH突变状态方面的性能.
- 评估NLP模型在从常规MR放射学报告中提取预测信息时的有用性.
- 将最好的NLP模型与人类读者的性能进行比较.
主要方法:
- 一项回顾性多中心研究包括1427名患有扩散性质瘤的患者和现有的MR放射学报告.
- 训练了五种NLP模型 (LSTM,双向LSTM,BERT,BERT GCN,BioBERT) 来预测IDH突变状态.
- 在内部和外部数据集中,使用接收器运行特征曲线 (AUC) 下的面积来验证模型性能.
主要成果:
- 在外部验证组中,BERT GCN模型获得了最高的性能,AUC为0.85.
- 与LSTM (AUC 0.77) 和BioBERT (AUC 0.81) 相比,BERT GCN显示出更高的性能.
- 性能最好的NLP模型 (BERT GCN) 的表现优于神经放射学家 (AUC 0.80) 和神经外科医生 (AUC 0.79).
结论:
- 基于变压器的NLP模型,特别是BERT GCN,可以从MR放射学报告中准确预测扩散性质瘤中的IDH突变状态.
- NLP模型为提取预后信息和指导个性化治疗策略提供了有价值的工具.
- 在预测癌症基因型方面,先进的NLP模型的性能与人类专家相当或优于人类专家.
