人工智能驱动的成像和放射学语言的整合改善了中风死亡率的预测和预测

科学领域:

• 医学成像和放射学医学成像和放射学
• 自然语言处理 (NLP) 是一种自然语言处理.
• 临床信息学 临床信息学

背景情况:

• 从非结构化文本和成像数据中量化放射性表型可以提高急性中风预测.
• 跨互补数据源的自动中风表型是未被充分探索的.
• 这项研究评估了来自放射学报告的NLP衍生特征,以改善死亡率预测.

研究的目的:

• 在放射学报告上评估使用NLP自动化中风表型化的可行性.
• 确定NLP衍生的特征是否能比结构化EHR数据更好地预测死亡率.
• 从成像数据和临床文本中描述中风表型.

主要方法:

• 分析的MRI损伤口罩 (n=60) 用作定量参考.
• 处理了15492个头部CT/MRI报告从MIMIC-III使用NLP识别中风表型.
• 在TF-IDF特征上训练NLP分类器,并使用AUC和F1得分进行评估.
• 将NLP输出与结构化EHR数据合并,以预测住院死亡率.

主要成果:

• 来自开放数据集的自动化病变量化证明了可行性.
• NLP模型实现了高性能 (例如,出血的AUC=0.974,的AUC=0.957).
• 来自文本的表型适度改善了死亡率预测 (AUC 0.616与0.558).
• 胀和心脏病发作表型是死亡率预测的重要贡献者.

结论:

• 从图像和文本中自动提取中风表型是可行的和可重复的.
• 从NLP衍生出的放射性表型提供了超出结构化EHR数据的补充信息.
• 文本衍生成像表型显示出增强中风结果预测和临床决策支持的潜力.