机器学习和深度学习工具用于自动捕获癌症监测数据

科学领域:

• 计算瘤学是一种计算瘤学.
• 医疗信息学 医疗信息学
• 生物医学数据科学是生物医学数据科学.

背景情况:

• 由于复杂的诊断和治疗,用于癌症登记册的手动数据提取越来越具有挑战性.
• 自动从非结构化临床文本获取信息对于全面的癌症监测至关重要.

研究的目的:

• 应用先进的计算,机器学习和深度学习模型,从临床文本中自动提取数据.
• 提高癌症登记数据的准确性和效率,包括关键元素,癌症相关性,生物标志物和复发率.

主要方法:

• 利用预测机器学习和深度学习模型来处理非结构化的临床文本.
• 开发用于从病理学和放射学报告中自动提取特定数据点的应用程序.

主要成果:

• 成功自动化从病理学报告中提取关键数据元素.
• 在病理学和放射学报告中准确确定癌症相关性.
• 有效地提取生物标记信息并识别癌症复发.

结论:

• 先进的计算方法为弥补癌症登记处信息缺口提供了重要机会.
• 这种方法为整合基因组学等新数据源创造了一个灵活的平台.
• 最终,这将导致对癌症驱动因素,人口结果和治疗有效性的更深入的理解.