对自然语言处理算法的比较,以评估用日语编写的头部计算机断层扫描报告的重要性
Tomohiro Wataya1,2, Azusa Miura1, Takahisa Sakisuka3
1Department of Radiology, Osaka University Graduate School of Medicine, 2-2, Yamadaoka, Suita, Osaka, 565-0871, Japan.
Japanese journal of radiology
|March 29, 2024
概括
针对日本的头部CT报告,开发了一种新的五分级,即报告重要性类别 (RIC). 特定领域的BERT在自动评估RIC方面表现出卓越的表现,有助于防止错过的发现.
科学领域:
- 放射学 信息学 信息学
- 自然语言处理自然语言处理.
- 医学成像分析 医学成像分析
背景情况:
- 准确评估放射学报告的重要性对于临床决策至关重要.
- 现有的方法可能无法充分捕捉报告意义的细微差别.
- 放射学报告的自动分析可以提高效率并减少错误.
研究的目的:
- 引入报告重要性类别 (RIC),这是一个新的五分级分级来分类放射学报告的重要性.
- 评估各种自然语言处理 (NLP) 算法的性能,以自动评估日本头部CT报告的RIC.
主要方法:
- 利用了来自大阪大学医院的3728份日本头部CT报告的数据集.
- 根据患者的严重程度和信息新性定义了RIC尺度,经过神经放射学家的手动共识.
- 四个NLP模型,包括逻辑回归,BiLSTM,一般BERT和特定领域BERT,使用五重交叉验证进行了比较.
主要成果:
- 在RIC评估中,特定领域的BERT获得了最高的准确性 (0.8434 ± 0.0063).
- 特定领域的BERT在1-4类别的AUC中显著超过其他模型 (p < .05).
- 层集成梯度表示域特定的BERT有效地识别了疾病名称等关键词.
结论:
- 与其他NLP模型相比,特定领域的BERT在评估头部CT报告的拟议RIC标准方面表现出卓越的能力.
- 进一步研究和应用这种方法可以通过尽量减少临床医生忽视关键发现的风险来提高医疗安全.
