将甲状腺结节特征纳入大型语言模型的附加值用于基于超声报告的自动ACR TI-RADS分类

科学领域:

• 医学成像分析 医学成像分析
• 自然语言处理自然语言处理.
• 放射学中的人工智能

背景情况:

• 美国放射学学院 (ACR) 甲状腺成像,报告和数据系统 (TI-RADS) 使用超声波 (美国) 功能分层甲状腺结节恶性瘤风险.
• 准确的TI-RADS分类对于适当的患者管理和随访至关重要.

研究的目的:

• 分析甲状腺美国报告,并探索自然语言处理 (NLP) 的应用与转换器模型用于分类ACR TI-RADS.
• 评估将特定的甲状腺结节特征纳入NLP模型以改善TI-RADS预测的影响.

主要方法:

• 追溯分析了16847份美国甲状腺自由文本报告.
• 放射科医生手动审查以确定基线ACRTI-RADS注释 (1-5类).
• 两个NLP系统的评估:为TI-RADS检测和特征提取进行多类分类,然后进行分类.

主要成果:

• 用特定结节特征增强的NLP模型与没有这些特征的NLP模型相比,显示出更高的性能.
• 加上额外的功能,BERTIN模型实现了最高的精度 (0.8426).
• 观察到点状回声发作焦点和较高的ACRTI-RADS得分之间存在相关性,这表明恶性瘤风险.

结论:

• 甲状腺结节的特征 (组成,回声性,形状,边缘,回声焦点) 显著提高NLP分类器的准确性,用于预测ACR TI-RADS.
• NLP模型可以有效地利用美国报告中的文字描述进行自动化的TI-RADS分类.
• 这种方法有望提高甲状腺结节风险评估的效率和一致性.