相关实验视频
Updated: Jun 7, 2025
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
6.9K
在基于人口的癌症注册表设置中使用语言模型从非结构化的电子病理学报告中对瘤报告状态进行分类
Lovedeep Gondara1,2, Jonathan Simkin1, Gregory Arbour3
1British Columbia Cancer Registry, Provincial Health Services Authority, Vancouver, Canada.
JCO clinical cancer informatics
|November 19, 2024
概括
本研究介绍了一种使用深度学习的自然语言处理 (NLP) 管道,以改善癌症监测. 新系统提高了从基于人口的癌症注册表 (PBCRs) 中的电子病理报告中检测可报告瘤的准确性.
科学领域:
- 计算瘤学是一种计算瘤学.
- 自然语言处理 (NLP) 是一种自然语言处理.
- 医疗保健中的机器学习
背景情况:
- 基于人群的癌症注册表 (PBCR) 对于癌症监测至关重要,它依赖于病理学报告.
- 目前的PBCR数据提取通常使用手动或基于规则的解决方案,这些解决方案是劳动密集型的,对语言变异敏感.
研究的目的:
- 开发和部署一个最先进的NLP管道,用于自动检测可报告瘤.
- 提高英国哥伦比亚癌症登记处 (BCCR) 癌症数据收集的效率和准确性.
主要方法:
- 微调两个临床语言模型 (GatorTron和BlueBERT) 使用来自BCCR的40,000个电子病理学报告.
- 结合两种微调模型的输出,使用OR方法进行最终决策.
- 评估2021-2023年诊断年范围内的广泛测试数据集的管道.
主要成果:
- 该NLP管道证明了可报告准确性的提升.
- 该系统在回顾性评估中成功保持了98%的真实报告值.
- 这种方法比传统的基于规则的方法有了显著的改进.
结论:
- 基于深度学习的NLP方法在癌症监测中明显优于基于规则的方法.
- 开发的管道为在电子病理学报告中区分可报告状态提供了更强大,更准确的解决方案.
- 这一进步为PBCR在管理和分析癌症数据方面提供了实质性的优势.
更多相关视频
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K
07:47Author Spotlight: 3D Scanning and Augmented Reality for Enhanced Cancer Surgery Communication
Published on: December 15, 2023
617
