自然语言处理深度学习模型用于高度质瘤和转移之间的差异:如果关键是我们如何报告它们呢?

科学领域:

• 放射学中的人工智能
• 医疗信息学 医疗信息学
• 神经瘤学神经瘤学

背景情况:

• 在放射成像上区分高度质瘤 (HGG) 和转移是临床实践中持续存在的挑战.
• 放射学报告包含关键数据,可以用于诊断援助.

研究的目的:

• 根据放射学报告,比较各种基于自然语言处理 (NLP) 的深度学习模型在分类HGG与转移中的有效性.
• 开发和评估一种NLP工具,以帮助放射科医生区分这些具有挑战性的脑病变.

主要方法:

• 来自两个机构 (2010-2022) 的185份MRI报告的回顾性分析.
• 深度学习模型的培训,验证和测试,包括卷积神经网络 (CNN),双向长期短期记忆 (BiLSTM),混合BiLSTM-CNN和放射学特定的双向编码器从变压器 (RadBERT) 中的表示.

主要成果:

• 在CNN模型实现了最高的性能,宏观平均精度为87.32%,灵敏度为87.45%,F1分数为87.23%用于分类HGG和转移.
• 通过NLP算法识别的关键区分关键词包括"瘤"",时间"和"叶片".

结论:

• 基于CNN的深度学习模型使用MRI报告有效地区分HGG和转移,提供高精度.
• 这种NLP驱动的方法是放射科医生在诊断中枢神经系统病变方面的宝贵补充工具,补充了传统的成像分析.