在土耳其放射学报告中用于命名实体识别的深度学习
Abubakar Ahmad Abdullahi1, Murat Can Ganiz1, Ural Koç2
1Marmara University Faculty of Engineering, Department of Computer Engineering, İstanbul, Türkiye.
Diagnostic and interventional radiology (Ankara, Turkey)
|February 28, 2025
概括
这项研究开发了一个深度学习框架,用于在土耳其放射学报告中进行命名实体识别 (NER). BioBERTurk 模型获得了 80.1 F1 评分,增强了临床见解和患者护理.
科学领域:
- 自然语言处理自然语言处理.
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 放射学报告包含关键的患者信息.
- 从这些报告中有效地提取信息是一项挑战,特别是在像土耳其语这样的各种语言中.
- 命名实体识别 (NER) 是自动化这个提取过程的关键.
研究的目的:
- 在土耳其放射学报告中开发和评估用于命名实体识别 (NER) 的深度学习框架.
- 提高从医学文本中提取信息的准确性和效率.
- 通过更好的数据洞察力来改善临床决策.
主要方法:
- 利用了1056份土耳其放射学报告的合成数据集.
- 采用DYGIE++模型与四个双向编码器表示从变压器 (BERT) 模型:BERTurk,BioBERTurk,PubMedBERT,和XLM-RoBERTa.
- 集成的自适应跨度计数和跨度图的传播,用于增强实体识别和核心引用分辨率.
主要成果:
- 在NER任务中获得了80.1的F1得分.
- 在相关的土耳其生物医学和放射学数据上进行预训练的BioBERTurk模型在测试的BERT模型中表现出优越的性能.
- 详细分析了每个标签的精度,回忆和F1分数.
结论:
- 开发的深度学习框架有效地处理了土耳其放射学报告的复杂性.
- 这些发现突显了BioBERTurk在土耳其语医疗NER任务中的潜力.
- 这种方法为临床医生提供了更精确的见解,简化了诊断,加快了患者治疗决策.
