文本挖掘方法用于特征提取和软骨疾病等级分类,使用膝盖MRI放射学报告
Antonio Saverio Valente1, Teresa Angela Trunfio2, Marco Aiello3
1GESAN SRL, R&D Department, Via Torino, 14, 81020, San Nicola La Strada, Caserta, Italy.
Computational and structural biotechnology journal
|February 18, 2025
概括
人工智能 (AI) 工具可以通过分类膝关节软骨退化来改善磁共振成像 (MRI) 放射学报告. 一个来自变压器的双向编码器表示 (BERT) 模型在文本分类和命名实体识别任务中实现了高精度.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 放射学报告 放射学报告
背景情况:
- 放射学报告可以通过人工智能工具的结构化,语义标记数据来增强.
- 人工智能可以帮助自动识别MRI报告中的软骨分级,帮助临床决策.
研究的目的:
- 使用人工智能从意大利MRI报告中提取和分类膝关节软骨退化.
- 用BERT模型对文本分类 (TC) 和命名实体识别 (NER) 评估转移学习技术的性能.
主要方法:
- 使用了来自IRCCS SYNLAB SDN的750个MRI膝盖报告的数据集.
- 应用转移学习与双向编码器表示从变压器 (BERT) 模型预先训练在意大利体.
- 执行文本分类和命名实体识别任务的手动注释,70%的培训,10%的验证和20%的测试数据分割.
主要成果:
- 对NER和TC的最佳表现模型是基于预先训练的BERT模型.
- 获得了0.89的NER和0.81的TC的宏观F1分数.
- 在测试组上,获得了0.96的NER和0.99的TC准确度.
结论:
- 人工智能,特别是基于BERT的模型,在从放射学报告中自动化膝关节软骨退化分类方面显示出巨大的潜力.
- 开发的模型显示高精度和F1分数,支持它们在提高放射学报告效率和决策方面的实用性.
