文本报告分析,以确定优化目标选择的机会,用于胸部X射线图的人工智能模型
Carl Sabottke1, Jason Lee2, Alan Chiang2
1Department of Medical Imaging, University of Arizona College of Medicine, Tucson, AZ, USA. cfs121090@gmail.com.
Journal of imaging informatics in medicine
|February 12, 2024
概括
通过使用自然语言处理 (NLP) 分析胸部X光学 (CXR) 报告,确定了影响报告长度的关键成像发现. 这项研究有助于开发人工智能系统,以提高放射科医生在解释复杂的CXR发现方面的效率.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 自然语言处理 (NLP) 是一种自然语言处理.
背景情况:
- 放射学报告的长度和复杂性可能受到各种因素的影响,包括特定的成像发现.
- 了解这些因素对于优化放射科医生的工作流程和开发辅助技术至关重要.
研究的目的:
- 识别胸部放射学 (CXR) 报告中的成像发现,这些报告会显著影响报告的长度和复杂性.
- 探索设计人工智能系统的机会,以提高放射科医生的效率.
主要方法:
- 对210,025份MIMIC-CXR报告和168,949份地方机构报告 (2019-2022) 的回顾性分析.
- 使用NLP提取59个图像查找关键字.
- 通过线性回归 (有或没有LASSO规范化) 评估关键词对报告长度的影响.
- 分析额外的因素,如签名放射科医生和感知术语.
主要成果:
- 图像查找关键词解释了报告词数的很大一部分 (R2=0.469本地,R2=0.354MIMIC-CXR).
- 感知术语的影响较小 (R2=0.067本地,R2=0.086 MIMIC-CXR).
- 包括放射科医生,关键词和感知术语在内的组合模型产生了更高的解释能力 (R2=0.570局部).
- 拉索 (Lasso) 确定了内管和多管 (局部),以及质量,结节,腔腔/囊病变 (MIMIC-CXR) 具有高度影响力.
结论:
- NLP和回归分析有效地突出了影响放射学报告特征的成像发现.
- 这些见解可以指导人工智能工具的开发,以提高放射科医生在胸部X射线图解释中的效率.
- 针对特定的发现可以导致更有效的AI辅助放射学工作流程.
