使用自然语言处理模型对可操作的BI-RADS类别进行自动分类和优先排序.
P López-Úbeda1, T Martín-Noguerol2, A Luna2
1NLP Department, HT Médica, C. Carmelo Torres 2, 23007 Jaén, Spain.
Clinical radiology
|October 14, 2023
概括
一个新的自然语言处理 (NLP) 系统准确地对放射学报告中的乳腺成像报告数据系统 (BI-RADS) 类别进行分类. 该工具增强了对关键发现的沟通,提高了乳房成像评估的效率.
科学领域:
- 放射学和医学成像学 医学成像学
- 自然语言处理 (NLP) 是一种自然语言处理.
- 医疗保健中的人工智能
背景情况:
- 放射科医生在评估乳腺放射学报告时面临常规任务.
- 乳腺成像报告数据系统 (BI-RADS) 类别的有效沟通对于患者护理至关重要.
- 当前的工作流可以耗时,影响及时的决策.
研究的目的:
- 开发和评估一种基于NLP的系统,用于在乳腺成像报告中对BI-RADS类别进行分类和优先排序.
- 加强对相关结果的沟通,向转诊医生进行沟通.
- 为了简化放射科医生在乳腺放射学评估中的常规任务.
主要方法:
- 开发了一个NLP系统来对BI-RADS类别 (0-6) 进行分类,并对报告进行优先排序 (高优先与低优先).
- 使用了三种基于变压器 (BERT) 的双向编码器表示模型:XLM-RoBERTa,BETO和Bio-BERT-Spanish.
- 在乳房超声波和乳房显微镜报告的不同机构上训练和测试模型.
主要成果:
- 在检测 BI-RADS 类别时获得了 74.29-77.5% 的准确性.
- 在确定报告优先级方面,准确度达到了88.52-91.02%.
- 该系统有效地将所有BI-RADS类别在单一报告中分类.
结论:
- NLP系统可以有效地对BI-RADS类别进行分类,并对报告进行优先排序.
- 这种自动化工具帮助放射科医生评估报告并做出决策.
- 提高了向转诊医生传递优先 BI-RADS 报告的速度.
