[¹⁸F] 氧葡萄糖PET-CT肺癌报告的不确定性意识自动TNM分期分类使用基于变压器的语言模型和多任务学习

科学领域:

• 医学成像和瘤学医学成像和瘤学
• 医疗保健中的人工智能
• 临床数据的自然语言处理.

背景情况:

• [18F]氧葡萄糖 (FDG) PET-CT对于肺癌的诊断和分期至关重要.
• 临床发现是在自由文本报告中,需要人工专家分类.
• 预训练语言模型 (PLM) 在从医学文本中提取复杂的语言特征方面表现有前途.

研究的目的:

• 开发一个多任务分类器 ("TNMu") 来从肺癌PET-CT报告中提取瘤,结节,转移 (TNM) 阶段信息.
• 对于模两可的 TNM 状态,要包含一个不确定性分类任务 ("u").
• 评估不同PLM和机器学习方法对此任务的有效性.

主要方法:

• 附注 2498 关于TNM分期和不确定性的PET-CT报告.
• 培训和评估了11个公开可用的PLM.
• 比较多任务,单任务和传统机器学习模型.
• 在内部数据集和461份报告的外部数据集上验证了性能.

主要成果:

• 使用GatorTron的多任务"TNMu"分类器在内部测试套件中实现了84%的整体准确性,在外部测试套件中达到79%.
• 个人TNM任务性能接近专家水平,宏观平均F1分数为0.91,0.95,外部数据为0.90.
• 在不确定性分类任务中获得了0.77的F1得分.

结论:

• "TNMu"分类器有效地从PET-CT报告中提取TNM分期信息,在内部和外部数据集上表现出强的表现.
• 与单一任务的PLM相比,多任务方法提供了更高的性能和计算效率.
• 这种人工智能工具可以通过协助审计,研究队列创建和开发临床决策支持系统来增强PET-CT服务.