基于模态和解剖部位的放射学报告分类：一项比较研究
机器学习
2018-12-31 v1 计算机视觉与模式识别
机器学习
摘要
数据标注目前是一项耗时的任务，通常需要专家知识。在研究环境中，正确标注数据的可用性对于确保模型预测准确且有价值至关重要。我们提出了相对简单的基于机器学习的模型，在放射学报告的二分类和多分类任务中取得了高性能指标。我们将这些算法的性能与基于NLP的数据驱动方法进行比较，发现逻辑回归分类器在二分类和多分类任务中均优于所有其他模型。随后，我们选用逻辑回归二分类器来预测来自不同数据集的报告中的胸部X射线（CXR）/非胸部X射线（non-CXR）标签，这些报告在任何模型的任何训练阶段均未被见过。即使在未见的报告集合中，二分类逻辑回归分类器也达到了0.9以上的平均精度值。基于回归系数值，我们还识别出了CXR和non-CXR报告中具有高预测能力的频繁词元特征。
引用
@article{arxiv.1812.10818,
title = {Classification of radiology reports by modality and anatomy: A comparative study},
author = {Marina Bendersky and Joy Wu and Tanveer Syeda-Mahmood},
journal= {arXiv preprint arXiv:1812.10818},
year = {2018}
}
备注
8 pages, 4 figures, BIBM 2018