在马来亚大学医学中心的叙事性乳腺放射学报告中进行自然语言处理
Wee Ming Tan1, Wei Lin Ng2, Mogana Darshini Ganggayah1
1Data Science and Bioinformatics Laboratory, Institute of Biological Sciences, Faculty of Science, Universiti Malaya, Kuala Lumpur, Malaysia.
Health informatics journal
|September 23, 2023
概括
这项研究将非结构化乳腺放射学报告转换为使用自然语言处理 (NLP) 的结构化数据,实现了高精度. 这些结构化数据能够准确预测乳腺成像报告和数据系统 (BIRADS) 类别.
科学领域:
- 医疗信息学 医疗信息学
- 自然语言处理自然语言处理.
- 放射学 放射学是一门学科.
背景情况:
- 放射学报告往往是叙事性的,阻碍了用于临床审计和研究的数据提取.
- 非结构化的自由文本报告对有效的信息检索和分析提出了挑战.
研究的目的:
- 开发和评估一种自然语言处理 (NLP) 算法,用于将非结构化乳腺放射学报告转换为结构化格式.
- 利用结构化数据构建乳腺成像报告和数据系统 (BIRADS) 类别的预测模型.
主要方法:
- 利用来自第三级医院的327份未识别的乳腺放射学报告.
- 开发了一个NLP算法来提取放射学家识别的关键数据元素.
- 在数据集上训练并测试NLP算法.
- 开发了一个随机森林预测模型,使用结构化数据来预测BIRADS类别.
主要成果:
- 该NLP算法在训练数据上达到97%的准确性,在测试数据上达到94.9%的准确性.
- 随机森林预测模型在预测BIRADS类别方面达到92%的准确性.
- 成功地将非结构化的叙事报告转换为可挖掘的结构化数据.
结论:
- 在结构化乳腺放射学报告方面,NLP是有效的,提高了数据的可访问性.
- 结构化数据有助于开发用于临床决策支持的准确预测模型.
- 这种方法增强了沟通,并从放射学数据中获得了重要的见解.
