用于加速病理报告标注的以人为中心指标
计算与语言
2019-11-13 v2 计算机与社会
机器学习
机器学习
摘要
病理报告包含有用信息，如主要受累器官、诊断等。这些信息可从自由文本报告中识别，用于大规模统计分析或作为其他模态（如病理切片图像）的标注。然而，对大量报告就多项任务进行人工分类劳动密集。本文基于 BERT 开发了自动文本分类器，并提出以人为中心的指标评估模型。依据模型置信度，我们识别需进一步专家标注的低置信度病例与自动分类的高置信度病例。我们报告低置信度病例比例与自动分类病例的性能。在高置信度病例上，模型分类准确度与病理医生相当。这带来减少 80% 至 98% 人工标注工作量的潜力。
引用
@article{arxiv.1911.01226,
title = {Human-centric Metric for Accelerating Pathology Reports Annotation},
author = {Ruibin Ma and Po-Hsuan Cameron Chen and Gang Li and Wei-Hung Weng and Angela Lin and Krishna Gadepalli and Yuannan Cai},
journal= {arXiv preprint arXiv:1911.01226},
year = {2019}
}
备注
Machine Learning for Health (ML4H) at NeurIPS 2019 - Extended Abstract