机器学习和深度学习模型用于使用临床推文本进行紧急大脑MRI自动记录

科学领域:

• 医疗成像中的人工智能
• 医疗保健中的自然语言处理 (NLP)
• 放射学工作流的优化 工作流的优化

背景情况:

• 紧急脑部MRI扫描的自动化记录对于有效的患者护理至关重要.
• 临床推文本包含重要的信息,以确定适当的成像协议.
• 现有的手动编程方法可能耗时且容易变化.

研究的目的:

• 开发和评估机器学习 (ML) 和深度学习 (DL) 模型,用于自动化紧急大脑MRI协议.
• 根据参考文本预测正确的MRI成像协议和对比剂的必要性.
• 将ML和DL模型的性能与人类专家和非专家的性能进行比较.

主要方法:

• 1953年紧急脑部MRI转诊的回顾性分析.
• 开发了三种ML模型 (naive Bayes,SVM,XGBoost) 和两个DL模型 (BERT,GPT-3.5).
• 模型在不同的数据集大小 (100%,50%,50%+增强数据) 上进行训练,并在测试集上进行评估.

主要成果:

• GPT-3.5模型实现了最高的准确性:协议为84%,对比剂为91%.
• 伯特模型表现出强的性能,协议精度为78%,对比剂精度为89%.
• 机器学习模型,特别是XGBoost和SVM的性能具有竞争力,准确度高达协议的78%和对比剂的88%.

结论:

• ML和DL模型在从临床推文本中自动化紧急大脑MRI协议方面表现出高效.
• 这些人工智能模型的性能接近人类神经放射学家和非专家的性能.
• 使用NLP的自动化协议提供了一个有希望的途径,以提高紧急放射学的效率和一致性.