基于定制假阳性削减的放射学报告高效准确异常挖掘
计算与语言
2018-10-03 v1
摘要
获取带标签数据集以促进模型开发是大多数机器学习任务的挑战。对于医学影像而言，这一困难更为突出，因为数据本身的可及性有限，且标注需要受过训练的医疗专家付出高昂的时间与精力。然而，医学影像检查通常附有放射科医生出具的医学报告，为未专门接受放射学训练的其他医生标识相应扫描中的重要特征。我们提出一种方法，利用用于医学概念抽取与情感分析的通用语言处理工具，以及用于假阳性削减的简单人工启发式规则，从相关报告近似得到放射学检查的影像级标签。使用该方法，我们为超过175,000份头部CT检查标注了指示11种临床相关病症的33项特征的存在与否。在产生阳性结果的30个关键词中的27个（3个无出现）上，用于估计准确标注报告百分比的置信区间下界均高于85%，平均高于95%。尽管比人工标注更嘈杂，这些结果表明该方法是大规模标注医学影像的可行手段。
引用
@article{arxiv.1810.00967,
title = {Efficient and Accurate Abnormality Mining from Radiology Reports with Customized False Positive Reduction},
author = {Nithya Attaluri and Ahmed Nasir and Carolynne Powe and Harold Racz and Ben Covington and Li Yao and Jordan Prosky and Eric Poblenz and Tobi Olatunji and Kevin Lyman},
journal= {arXiv preprint arXiv:1810.00967},
year = {2018}
}