从超声报告中提取甲状腺结节的特征,使用基于变压器的自然语言处理方法.

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.
• 在瘤学瘤学.

背景情况:

• 甲状腺结节的特征对于甲状腺癌的评估至关重要,但往往是在非结构化的临床叙述中.
• 以前的自然语言处理 (NLP) 方法使用基于规则的系统提取了有限的特征 (<9).

研究的目的:

• 从超声波报告中系统地分类和提取16个临床相关的甲状腺结节特征的综合集.
• 为了比较基于最先进的变压器的NLP模型对此任务的性能.

主要方法:

• 一个多学科团队开发了注释指南和甲状腺结节特征的语料库.
• 评估了五种基于变压器的NLP模型 (BERT,RoBERTa,LongFormer,DeBERTa,GatorTron) 的结果.
• 作为一个大型语言模型,GatorTron模型经过了专门的训练和测试.

主要成果:

• 盖特特朗获得了最高的F1分数:0.8851 (严格) 和0.9495 (温和) 对于特征提取.
• 在将特征与结节联系起来方面,GatorTron还获得了0.9321的F1得分.
• 在提取16个甲状腺结节特征方面,GatorTron的表现优于其他临床变压器模型.

结论:

• 基于变压器的NLP,特别是GatorTron,可以有效地从超声报告中提取大量临床相关的甲状腺结节特征.
• 这种方法可以通过使用电子健康记录更好地评估报告文档质量和患者结果.