增强而不是取代临床专业知识:通过混合真实合成培训来源改善结肠镜报告中的命名实体识别

科学领域:

• 自然语言处理
• 医疗信息学
• 医疗保健中的人工智能

背景情况:

• 结肠镜检查结果通常是非结构化的自由文本,阻碍了对质量监测,个性化医疗和研究的二次数据使用.
• 准确的命名实体识别 (NER) 对于从这些自由文本报告中提取有价值的临床信息至关重要.

研究的目的:

• 对实体,合成和混合结肠镜报告数据进行训练的NER模型的性能进行比较.
• 评估保护隐私的合成报告是否可以提高临床信息提取的准确性.

主要方法:

• 训练了三个Spark NLP biLSTM CRF模型:ModelR (真实数据),ModelS (合成数据) 和ModelM (混合真实/合成数据).
• 对七种实体类型的实体和合成结肠镜报告进行了评估.
• 性能指标包括微平均精度,回忆和F1得分,以及麦克纳马测试的统计意义.

主要成果:

• 混合数据模型 (ModelM) 获得了最高的性能 (F1 = 0.94),明显超过单源模型 (ModelR F1 = 0.70,ModelS F1 = 0.64).
• 模型R在真实数据上表现良好 (F1 = 0.90),但在合成数据上表现不佳 (F1 = 0.47);模型S显示相反的趋势 (F1 = 0.99合成,F1 = 0.33真实).
• 统计分析证实了混合数据方法的显著优势.

结论:

• 合成结肠镜报告是一个有价值的补充,但不能取代真实的注释数据.
• 在实物和合成数据的平衡组合上训练NER模型,可以产生可靠的,可通用的模型来构建结肠镜报告.
• 这种方法支持大规模的,保护隐私的结直肠癌监测和个性化的后续策略.