在病理报告中识别本地,区域和远程乳腺癌复发的自然语言处理

科学领域:

• 癌症学
• 医疗信息学
• 自然语言处理

背景情况:

• 由于手动图表审查的局限性,癌症登记处在追踪乳腺癌复发方面面临挑战.
• 自动检测复发对于改善癌症结果数据收集至关重要.

研究的目的:

• 开发和评估自然语言处理 (NLP) 模型,用于在病理报告中自动识别乳腺癌复发.
• 克服癌症注册表中手动查看图表的资源密集性.

主要方法:

• 从993名乳腺癌患者 (2005年至2014年) 收集并手动注释了1888份病理报告.
• 使用精细调整的大型语言模型 (LLM) 来分类本地,区域,远程和任何乳腺癌复发的报告.
• 使用准确度,灵敏度,特异性和接收器操作特征曲线下的面积 (AUC) 评估模型性能.

主要成果:

• 在识别乳腺癌复发方面,NLP模型表现出色.
• 局部复发模型的准确度,灵敏度和特异性超过93%,AUC为0. 98.
• 80. 0% 的报告显示至少有一种复发,初次复发的中位数时间为 7. 3 年.

结论:

• 从病理报告中开发精确和敏感的NLP模型来检测乳腺癌复发.
• NLP提供了一种更有效,更精确的收集乳腺癌结局数据的方法.
• 这项技术可以提高癌症登记的追踪患者结果的能力.