在放射学报告中使用NLP模型进行前列腺癌恶性瘤得分的自动文本分类

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
• 自然语言处理自然语言处理.

背景情况:

• 前列腺癌的诊断依赖于解释MRI报告.
• 放射学报告的自动化分析可以提高效率和准确性.
• 西班牙语前列腺MRI报告在自动化分析方面仍未得到充分探索.

研究的目的:

• 实施和评估基于PI-RADS标准的前列腺癌发现的两个自动化文本分类系统.
• 将传统的机器学习模型 (XGBoost) 与语言模型 (RoBERTa) 进行比较.
• 为弥补分析西班牙语前列腺MRI报告的差距.

主要方法:

• 使用XGBoost.开发一个传统的机器学习模型.
• 使用 RoBERTa.Ta 实现基于语言模型的方法.
• 培训和测试西班牙语放射性MRI前列腺报告.

主要成果:

• 与XGBoost模型相比,RoBERTa模型表现出优越的性能.
• 实施的两种系统都取得了有前途的分类结果.
• 表现最好的系统成功地作为API集成到临床信息系统中.

结论:

• 自动化文本分类系统可以有效地分析西班牙MRI报告中的前列腺癌发现.
• 像RoBERTa这样的语言模型在这个任务中比传统方法具有显著的优势.
• 成功的现实世界部署突出了人工智能在放射学中的实际实用性.