从日本放射学报告中提取临床信息,使用双阶段深度学习方法:算法开发和验证

科学领域:

• 医疗成像中的人工智能
• 医疗保健的自然语言处理.
• 放射学 信息学 信息学

背景情况:

• 放射学报告主要是非结构化的自由文本,阻碍了有效的数据检索和二次使用.
• 放射学报告中缺乏结构化数据,对临床信息的提取和分析构成了重大挑战.
• 开发方法来结构放射学报告数据对于推动医学研究和改善患者护理至关重要.

研究的目的:

• 开发和评估一个两阶段的深度学习系统,从自由文本放射学报告中提取临床信息.
• 将非结构化的放射学报告数据转换为结构化的格式,使其能够进行二次使用和分析.
• 评估深度学习系统在处理日本计算机断层扫描 (CT) 报告中的准确性和全面性.

主要方法:

• 开发了一个两阶段的深度学习系统,包括实体提取和关系提取模块.
• 最先进的深度学习模型用于实体和关系提取任务.
• 该系统经过培训,并根据1040份由医疗专家注释的日本内部CT报告进行验证.

主要成果:

• 性能最好的模型在实体提取方面获得了96.1%的微平均F1分数,在关系提取方面达到97.4%.
• 整体的两阶段系统管道显示,结构化数据转换的微平均F1得分为91.9%.
• 该系统在评估的放射学报告中实现了96.2%的临床信息覆盖率.

结论:

• 开发的两阶段深度学习系统准确而全面地从自由文本放射学报告中提取临床信息.
• 该系统在将非结构化放射学数据转化为可用的结构化格式方面显示出显著的前景.
• 这种方法促进了放射学报告的二次使用,可能改善临床研究和数据驱动的医疗保健洞察力.