在计算机断层扫描报告中自动识别乳腺癌复发,使用自然语言处理
Jaimie J Lee1,2, Andres Zepeda3, Gregory Arbour3
1Department of Radiation Oncology, BC Cancer, Vancouver, BC, Canada.
JCO clinical cancer informatics
|December 20, 2024
概括
这项研究开发了自然语言处理 (NLP) 模型,在计算机断层扫描 (CT) 报告中自动识别乳腺癌复发. 这些人工智能工具可以改善癌症复发和患者结果的跟踪.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 乳腺癌复发数据对于患者的治疗结果至关重要,但由于后勤和财务挑战,很难收集.
- 传统的癌症登记方法在全面及及时收集复发信息方面扎.
研究的目的:
- 研究自然语言处理 (NLP) 结合深度学习转换器工具和大型语言模型的有效性,用于自动识别乳腺癌复发.
- 通过计算机断层扫描 (CT) 报告自动检测局部,区域和远程乳腺癌复发.
主要方法:
- 分析了从2005年至2014年期间诊断的乳腺癌患者的1,445个随访CT报告.
- 策划和注释报告的当地,区域和远程复发的存在.
- 十倍交叉验证用于评估NLP模型,使用分类指标和95%置信区间.
主要成果:
- "任何复发"模型实现了89.6%的准确性,93.2%的灵敏度和84.2%的特异性.
- 局部复发模型的准确率为94.6%,敏感度为44.4%,特异性为97.2%.
- 区域复发模型实现了93.6%的准确度,70.1%的灵敏度和95.3%的特异性.
- 远程复发模型显示准确率为88.1%,灵敏度为91.8%,特异性为83.7%.
结论:
- 开发并验证了NLP模型,能够从CT报告中识别本地,区域和远程乳腺癌复发.
- 使用NLP自动识别乳腺癌复发,可以显著提高患者结局数据收集的完整性和效率.
