对BERT自然语言处理模型的评估,用于自动化CT和MRI选和协议选择

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能的人工智能
• 自然语言处理自然语言处理.

背景情况:

• 自动化放射学研究的分类和协议选择对于高效的工作流程至关重要.
• 现有的机器学习模型在准确性和处理各种成像协议方面存在局限性.

研究的目的:

• 评估BERT NLP模型的准确性,用于自动化对截面成像要求的分类和协议选择.
• 为了比较BERT的性能与原始贝叶斯 (NB) 和支持矢量机 (SVM) 模型.

主要方法:

• 一项回顾性研究分析了222,392个CT和MRI研究,使用了300个独特的协议.
• 一个BERT模型被训练,验证和测试,与NB和SVM比较器一起.
• 模型性能使用F1分数,精度,回忆和AUROC进行评估.

主要成果:

• 与SVM (0.881) 相比,BERT在协议选择方面表现优越 (F1得分:0.901).
• 伯特和SVM在分类预测方面表现相似 (F1得分:~0.844).
• 在多类预测中,BERT实现了高准确度 (在协议建议中高达0.991),并且在少数类中表现优于其他模型.

结论:

• 伯特NLP模型有效地自动化了放射学研究分组和协议选择.
• 这项技术有可能显著提高放射科医生的工作流程,并简化操作.
• 先进的NLP模型是可行的,以优化放射科部门的效率.