TCGA-Reports:一种机器可读的病理学报告资源,用于对基于文本的AI模型进行基准测试

科学领域:

• 计算生物学是一种计算生物学.
• 医疗信息学医学信息学
• 在瘤学瘤学.

背景情况:

• 病理学报告是癌症研究中的丰富,但未得到充分利用的数据来源.
• 现有的结构化数据缺乏自由文本病理学报告中的细微差别和洞察力.
• 缺乏公开可用的基准数据集,用于开发和评估病理报告分析模型.

研究的目的:

• 为人工智能驱动的分析创建癌症病理学报告的机器可读数据集.
• 建立癌症研究中的自然语言处理 (NLP) 模型的基准数据集.
• 为了证明数据集对癌症类型分类的有用性.

主要方法:

• 应用最先进的光学字符识别 (OCR) 和定制后处理到来自The Cancer Genome Atlas的PDF病理学报告.
• 产生了9523份机器可读的病理学报告.
• 在32种不同的组织类型中进行了原则证明的癌症类型分类.

主要成果:

• 成功创建了一个全面的,机器可读的数据集,包括9523份病理学报告.
• 在癌症类型分类中实现了0.992的平均面积在接收器操作特征曲线 (AU-ROC) 下的高性能.
• 证明了使用NLP和AI来从病理学报告中提取有价值的信息的可行性.

结论:

• 生成的数据集解决了在病理学报告分析中对基准资源的需求.
• 这一数据集将促进AI和NLP应用在癌症研究,临床试验和病理学方面的进步.
• 这些发现突出了利用非结构化病理学数据改善癌症洞察和诊断的潜力.