使用自然语言处理来识别急诊室患者的偶发性肺结节,需要随访

科学领域:

• 医疗信息学 医疗信息学
• 放射学 放射学是一门学科.
• 自然语言处理 (NLP) 是一种自然语言处理.

背景情况:

• 在急诊室 (ED) 的胸部CT上,偶然的肺结节 (ILN) 提供了早期肺癌检测的机会.
• 在沟通和跟进ED成像中的偶然发现方面存在重大错误,非结构化的放射学报告加剧了这种情况.
• 自然语言处理 (NLP) 可以自动识别需要随访的ILN,减轻错过的护理.

研究的目的:

• 开发和验证一个开放的,三步的NLP管道,用于识别ED胸部CTs上的偶然肺结节 (ILNs).
• 提高沟通和随机发现后续行动的准确性,可能减少肺癌诊断延迟.

主要方法:

• 追溯分析了来自三个ED的26,545份胸部CT报告 (2014-2021年).
• 使用SpaCy上的RoBERTa大语言模型开发一个逐步的NLP管道,以排除先前的恶性瘤,检测结节,并对后续建议进行分类.
• 在1000个手动审查的CT报告上使用精度,回忆和F1得分指标进行验证.

主要成果:

• 该NLP管道实现了高精度:0.85精度,0.71回忆和0.77F1评分用于恶性瘤检测.
• 结节检测准确度为0.87精度,0.83回忆和0.85F1得分.
• 随访分类准确度达到0.82精度,0.90回忆和0.85F1得分,在没有先前恶性病症的结节病例的随访中,整体准确率为93.3%.

结论:

• 成功开发了一个准确的,开放的NLP管道,以识别需要在ED胸部CT上进行随访的偶然肺结节 (ILN).
• 与以前的研究相比,管道提供了更准确的偶然发现的反映,不包括已知的或先前的恶性瘤.
• 该工具的实施可以增强ILN的识别,通信和跟踪,从而减少诊断错误.