MISTIC:一种使用变压器在意大利电子健康记录中进行转移分类的新方法
Livia Lilli1,2, Mario Santoro3, Valeria Masiello1
1Fondazione Policlinico Universitario Agostino Gemelli IRCCS, Rome, Italy.
BMC medical informatics and decision making
|April 11, 2025
概括
自然语言处理 (NLP) 工具MISTIC准确地对意大利乳腺癌的转移进行了分类. 这种简单的学习方法为提取关键临床信息提供了一种高效和易于解释的方法.
科学领域:
- 医疗信息学 医疗信息学
- 计算语言学 计算语言学
- 在瘤学瘤学.
背景情况:
- 电子健康记录 (EHR) 对瘤学中的真实世界证据 (RWE) 至关重要.
- 从EHR中自动提取信息可以更好地获取专家知识.
- MISTIC是一种自然语言处理 (NLP) 方法,用于在意大利乳腺癌EHR中进行转移分类.
研究的目的:
- 引入MISTIC,这是一个NLP框架,用于分类意大利EHR中的转移.
- 为临床文本分析开发一个计算效率高且可解释的模型.
- 改善从非结构化临床数据中提取结构化信息.
主要方法:
- 一个以变压器为基础的框架,利用少量射击学习.
- 文本细分用于改进模型处理.
- 主题分析用于过信息内容.
主要成果:
- 在多个数据源中,MISTIC实现了超过87%的F分数.
- 这种方法的表现优于模式匹配,零射击BERT和LLM基准.
- MISTIC表现出强大的概括能力,整体F分数为91.2%.
结论:
- MISTIC为转移分类提供了一种高性能,计算效率高,易于解释的解决方案.
- 该模型在各种数据源中很好地泛化,支持临床文本分析.
- MISTIC提高了数据的可访问性和可解释性,解决了医疗信息学中的一个关键差距.
