从病理学报告与外部验证的TNM阶段的可通用和自动分类
Jenna Kefeli1, Jacob Berkowitz2,3, Jose M Acitores Cortina2,3
1Department of Systems Biology, Columbia University, New York, NY, USA.
Nature communications
|October 16, 2024
概括
我们开发了BB-TEN,这是一种自动化的方法,可以从病理学报告中提取癌症TNM病期. 这种人工智能模型准确地推断出癌症的阶段,改善了诊断和试验的临床数据可访问性.
科学领域:
- 计算瘤学是一种计算瘤学.
- 在医疗保健中的自然语言处理.
- 临床信息学 临床信息学
背景情况:
- 癌症分期对于患者的预后和临床试验资格至关重要.
- 在结构化的电子健康记录中,TNM分期通常是不可用的.
- 需要从非结构化的临床笔记中自动提取TNM分期.
研究的目的:
- 从病理学报告文本开发和验证自动TNM分期分类的可通用方法.
- 创建一个基于BERT的模型,即使没有明确说明,也能够推断TNM阶段.
主要方法:
- 利用基于BERT的模型,对23种癌症类型的约7000份病理报告进行了训练.
- 探索各种模型类型,输入大小,参数和架构.
- 在哥伦比亚大学医学中心的近8000份病理学报告上验证了该模型.
主要成果:
- 在外部验证中,BB-TEN模型实现了接收器运行特征曲线 (AU-ROC) 下的面积为0.815-0.942.
- 该模型在没有特定微调的情况下在不同机构中证明了可通用性.
- 该方法成功地从上下文中推断出TNM阶段,超越了简单的术语提取.
结论:
- BB-TEN提供了一个强大的和可通用的解决方案,用于从临床笔记中自动提取TNM分期.
- 这种方法可以提高结构化分期数据的可用性,以改善癌症治疗和研究.
- 该模型的性能表明,在改善癌症数据管理的临床环境中具有广泛的适用性.
