一种用于推断概率性美国LI-RADS分类的可扩展机器学习方法
计算与语言
2018-06-20 v1 人工智能
摘要
我们提出一种可扩展的计算机化方法，用于从叙述性超声(US)报告中大规模推断肝脏影像报告和数据系统(LI-RADS)最终评估类别。尽管我们的模型在采用LI-RADS模板生成的报告上训练，它也能对LI-RADS指南确立前生成的非结构化报告推断LI-RADS评分。本研究任何步骤均无需人工标注数据；训练时，LI-RADS评分从含结构化LI-RADS评分的报告中自动提取，并将所得知识迁移至对非结构化放射学报告的推理。通过提供自动化LI-RADS分类，我们的方法可望使肝细胞癌风险患者的筛查建议与治疗规划标准化，并可通过从标准医院临床数据仓库提供大规模文本挖掘与数据收集机会，促进基于AI的超声影像医疗研究。
引用
@article{arxiv.1806.07346,
title = {A Scalable Machine Learning Approach for Inferring Probabilistic US-LI-RADS Categorization},
author = {Imon Banerjee and Hailey H. Choi and Terry Desser and Daniel L. Rubin},
journal= {arXiv preprint arXiv:1806.07346},
year = {2018}
}
备注
AMIA Annual Symposium 2018 (accepted)