在患有肺癌的患者中检测地面玻璃不透明度特征:通过基于深度学习的自然语言处理进行自动提取和纵向分析
Kyeryoung Lee1, Zongzhi Liu1, Urmila Chandran2
1Sema4, Stamford, CT, United States.
JMIR AI
|June 14, 2024
概括
一个新的深度学习工具自动从放射学笔记中提取肺结节的特征. 这项技术有助于跟踪地面玻璃不透明度 (GGO) 状态,以预防肺癌和早期检测.
科学领域:
- 人工智能的人工智能
- 医疗信息学 医疗信息学
- 在瘤学瘤学.
背景情况:
- 在CT扫描中,地面玻璃不透明 (GGOs) 可能表明肺癌,需要谨慎管理.
- 电子健康记录包含有价值的GGO数据,但在临床笔记中通常是无结构的.
研究的目的:
- 开发和验证基于深度学习的自然语言处理 (NLP) 工具,用于自动提取GGO特征.
- 从放射学笔记中利用提取的特征来理解GGO状态的纵向轨迹.
主要方法:
- 开发了一个使用双向LSTM和CRF的深度学习NLP管道.
- 该管道处理了13,216名肺癌患者的放射学记录,以提取GGO和颗粒状特征.
- 进行了质量评估和对结节特征 (大小,坚固度) 的纵向分析.
主要成果:
- 该NLP管道实现了高性能:95-100%的精度,89-100%的回忆和92-100%的F1分数.
- 该模型从4521名患者的29496张放射学笔记中提取了全面的GGO特征.
- 纵向分析显示,在31.4%的患者中,GGO大小发生变化,72.3%的患者保持稳定状态,23%的患者进展.
结论:
- 一个深度学习NLP管道有效地从电子健康记录中提取颗粒状GGO特征.
- 这种工具有助于研究GGO的自然历史,为改善肺癌预防和早期检测铺平了道路.
关键词:
双向长期短期记忆 (Bi-LSTM) 是一种双向的长期短期记忆.有条件的随机字段 (CRF)深度学习是一种深度学习.磨砂玻璃的不透明性纵向分析是一种纵向分析.自然语言处理自然语言处理.放射学注释 放射学注释现实世界的数据数据.
