命名实体识别AI模型的有效性,用于识别CT报告中的偶然肺结节

科学领域:

• 医疗信息学 医疗信息学
• 放射学 放射学是一门学科.
• 自然语言处理自然语言处理.

背景情况:

• 在CT扫描中偶尔出现的肺结节需要准确的识别,以便及时治疗患者.
• 在放射学报告中检测肺结节的自动化方法可以提高效率并减少诊断错误.

研究的目的:

• 评估商业医疗命名实体识别 (NER) 模型的有效性,该模型具有在CT报告中识别偶然肺结节的后处理协议.
• 评估模型在不同节点大小和数据集平衡中的性能.

主要方法:

• 分析了9165份匿名CT报告,根据结节的存在和大小 (>6毫米) 分类.
• 应用医疗NER模型来注释实体和关系,然后使用包含/排除标准进行过.
• 手动审查,以确定基本真相并创建平衡和不平衡的数据集,以评估相对于结节患病率的表现.

主要成果:

• 在不平衡的数据集中,NER模型实现了高灵敏度 (97%) 和特异性 (99%) 来检测肺结节.
• 对于6毫米以上的结节 (灵敏度95%,特异性100%),以及在平衡数据集 (灵敏度99%,特异性96%),性能保持稳健.
• 无论结节的流行程度如何,模型的性能都是一致的,这表明可靠性.

结论:

• 评估的NER模型在检测CT报告中的肺结节,包括临床上显著的大结节方面表现出高准确性.
• 该模型的性能独立于结节的患病率,这表明在不同的临床环境中具有一致的效用.
• 使用这种NER技术自动识别患有肺结节的患者可以简化后续护理,并可能改善癌症诊断结果.