使用神经注意力模型对放射学报告进行分类
计算与语言
2017-08-24 v1 人工智能
信息检索
摘要
电子健康记录 (EHR) 包含大量具有重大运营和研究价值的多维非结构化临床数据。与以往研究不同，我们的方法采用双标注数据集，摒弃了晦涩的“黑盒”模型，转而使用全面的深度学习模型。在本文中，我们提出了一种新颖的神经注意力机制，它不仅能对具有重要临床意义的发现进行分类。具体而言，使用带注意力分析的卷积神经网络 (CNN) 根据放射科医生在日常实践中评估急性与可交流发现时所考量的五个类别，对放射学头部计算机断层扫描报告进行分类。实验表明，我们的 CNN 注意力模型优于非神经模型，尤其是在较大数据集上训练时。我们的注意力分析通过生成突出显示 CNN 模型所关注术语的热图，展示了分类器决策背后的直觉；当潜在下游医疗决策需由人类专家执行，或分类器信息将用于队列构建（如流行病学研究）时，这极具价值。
引用
@article{arxiv.1708.06828,
title = {Classification of Radiology Reports Using Neural Attention Models},
author = {Bonggun Shin and Falgun H. Chokshi and Timothy Lee and Jinho D. Choi},
journal= {arXiv preprint arXiv:1708.06828},
year = {2017}
}