将自然语言处理应用于单报告预测转移性疾病反应,使用OR-RADS词典
Lydia Elbatarny1, Richard K G Do2, Natalie Gangai2
1School of Computing, Queen's University, Kingston, ON K7L 2N8, Canada.
Cancers
|October 28, 2023
概括
这项研究表明,使用标准化瘤反应-放射学报告和数据系统 (OR-RADS) 词典的自然语言处理 (NLP) 模型可以从放射学报告中准确预测癌症治疗反应,超过人类的性能.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 自然语言处理自然语言处理.
- 人工智能的人工智能
背景情况:
- 在放射学报告中对癌症治疗反应的标准化报告对于收集现实世界证据 (RWE) 至关重要.
- 目前缺乏标准化,阻碍了对疾病反应的大规模解释和个性化治疗开发.
研究的目的:
- 评估自然语言处理 (NLP) 在使用标准化瘤反应词汇 (OR-RADS) 大规模解释疾病反应时的实用性.
- 评估从变压器 (BERT) 双向编码器表示模型在基于放射学报告的癌症治疗反应分类中的性能.
主要方法:
- 放射科医生对3503份放射学报告进行了注释,其中包括7个OR-RADS类别之一.
- 在注释数据集上训练了一个BERT模型,用于疾病应答的多类和单类分类.
- 人类的性能与BERT模型的性能进行了比较.
主要成果:
- 在所有分类任务中,BERT模型实现了高精度 (95-99%),超过了人类的性能 (74-93%).
- 与多类任务相比,该模型在单类任务中表现出优异的性能.
- 模型的错误分类是最小的,主要涉及对模两可和混合响应类别的过度预测.
结论:
- 伯特NLP模型可以从放射学报告中预测癌症患者的疾病反应,其表现优于人类读者.
- 采用标准化的OR-RADS词典可以提高大规模RWE收集的准确性,以提高癌症治疗的有效性.
