基于 Transformer 集成学习改进癌前病例表征
机器学习
2022-12-13 v1
摘要
自然语言处理（NLP）在癌症病理报告中的应用一直聚焦于检测癌症病例，很大程度上忽略了癌前病例。改进癌前腺瘤的表征有助于开发用于早期癌症检测和预防的诊断测试，尤其是针对结直肠癌（CRC）。在此我们开发了基于 Transformer 的深度神经网络 NLP 模型来执行 CRC 表型分析，目标是提取癌前病变属性并区分癌症与癌前病例。我们在将患者分类为阴性、非进展性腺瘤、进展性腺瘤和 CRC 上取得了 0.914 的宏 F1 分数。我们进一步使用用于癌症状态分类和病变大小命名实体识别（NER）的分类器集成将性能提升至 0.923。我们的结果展示了利用 NLP 挖掘真实世界健康记录数据以促进早期癌症预防诊断测试开发的潜力。
引用
@article{arxiv.2212.05150,
title = {Improving Precancerous Case Characterization via Transformer-based Ensemble Learning},
author = {Yizhen Zhong and Jiajie Xiao and Thomas Vetterli and Mahan Matin and Ellen Loo and Jimmy Lin and Richard Bourgon and Ofer Shapira},
journal= {arXiv preprint arXiv:2212.05150},
year = {2022}
}