在良性胆囊疾病中,自然语言处理用于放射学报告的分类

科学领域:

• 医疗信息学 医疗信息学
• 人工智能在医学中的应用
• 放射学报告 放射学报告

背景情况:

• 从放射学报告中准确确定良性胆囊疾病的手术必要性对于患者管理至关重要.
• 手动审查放射学报告可能耗时且容易发生变化.
• 临床文本的自动化分析有可能提高诊断效率.

研究的目的:

• 开发和评估一种自然语言处理 (NLP) 应用程序,从放射学报告中自动识别需要手术的良性胆囊疾病.
• 为了比较深度学习模型在分类外科手术必要性的性能.

主要方法:

• 使用1200份胆囊放射学报告的数据集开发了一个文本分类器.
• 报告被四名放射科医生分类为指出的类别手术的必要性.
• 训练了两个深度学习架构,即卷积神经网络 (CNN) 和双向长期短期记忆 (BiLSTM).
• 使用了300或1000维的Word2Vec嵌入式.
• 数据集被分为80%的培训,10%的验证和10%的测试集.

主要成果:

• 无论是CNN还是BiLSTM模型,都在不同维度空间中表现出高性能.
• 在300维和1000维空间中,BiLSTM模型实现了0.96732的F1得分.
• 在300维和1000维空间中,CNN模型分别获得了0.95945和0.95302的F1分数.

结论:

• 开发的NLP模型在识别需要手术的胆囊疾病方面取得了高性能.
• 模型性能是强大的,无论深度学习架构或词嵌入使用的维空间.
• 从放射学报告中自动分类手术的必要性是可行的和有效的.