在缺血性和出血性中风患者中使用自然语言处理从自由文本成像报告中提取放射性特征:算法开发和验证

科学领域:

• 医疗信息学医学信息学
• 自然语言处理 (NLP) 是一种自然语言处理.
• 脑卒中成像分析分析

背景情况:

• 神经成像对于中风诊断至关重要,但非结构化的报告阻碍了从电子健康记录中提取数据.
• 使用NLP提取特定的中风成像特征需要系统的评估.

研究的目的:

• 开发和评估一种NLP管道,用于从头部CT成像笔记中提取13个中风特征.
• 使用临床BERT模型,进行域特定的预训练和微调以提取中风特征.

主要方法:

• 一个HeadCT_BERT模型在82,073个头部CT笔记上进行了预训练,并在200个注释笔记上进行了微调.
• 该模型提取了24924名中风患者的中风特征,创建了结构化数据集.
• 卡普兰-梅尔曲线和日志排名测试比较了患有和没有严重中风特征的患者之间的生存率.

主要成果:

• 该HeadCT_BERT模型实现了高性能:AUC为0.9831,F1得分为0.8683,准确率为97%.
• 在最初的笔记中,严重的中风特征 (中线转移,,质量影响) 与急性缺血性中风患者的生存概率显著降低 (P<.001).

结论:

• 开发的NLP管道在提取中风成像特征方面表现出高性能.
• 这种方法有可能显著推进医学研究,并提高中风护理中的患者安全.