BI-RADS BERT 与利用章节分割理解放射学报告
计算与语言
2024-09-04 v2 人工智能
摘要
放射学报告是放射科医生与其他临床医生之间主要的沟通形式之一，包含了对患者护理至关重要的信息。为了将这些信息用于研究和自动化患者护理项目，有必要将原始文本转换为适合分析的结构化数据。最先进的自然语言处理（NLP）领域特定上下文词嵌入已被证明在医学领域的这些任务中能达到令人印象深刻的准确率，但尚未被用于章节结构分割。在这项工作中，我们使用乳腺放射学报告预训练了一个上下文嵌入 BERT 模型，并开发了一个分类器，该分类器将嵌入与辅助全局文本特征相结合以执行章节分割。该模型在将自由文本报告逐句分割为乳腺影像报告和数据系统（BI-RADS）词典中概述的信息章节方面达到了 98% 的准确率，相较于没有辅助信息的经典 BERT 模型有显著提升。随后，我们评估了使用章节分割是否改进了下游临床相关信息的提取，如检查方式/程序、既往癌症史、绝经状态、检查目的、乳腺密度和乳腺 MRI 背景实质强化。使用在乳腺放射学报告上预训练的 BERT 模型并结合章节分割，在字段提取任务中取得了 95.9% 的整体准确率。与使用经典 BERT 嵌入且不进行章节分割的模型在字段提取上 78.9% 的整体准确率相比，提升了 17%。我们的工作展示了在放射学报告分析中使用 BERT 的优势，以及章节分割在识别乳腺放射学报告中记录的患者因素关键特征方面的长处。
引用
@article{arxiv.2110.07552,
title = {BI-RADS BERT & Using Section Segmentation to Understand Radiology Reports},
author = {Grey Kuling and Belinda Curpen and Anne L. Martel},
journal= {arXiv preprint arXiv:2110.07552},
year = {2024}
}