通过自适应 NLP 模型选择与临床专家基于规则的分类器改进放射报告中的 VTE 识别
计算与语言
2023-10-23 v2 信息检索
机器学习
摘要
快速准确地识别静脉血栓栓塞（VTE）——一种包括深静脉血栓（DVT）和肺栓塞（PE）的严重心血管疾病——对于有效治疗十分重要。利用自然语言处理（NLP）处理放射报告，自动化方法在从回顾性数据队列中识别 VTE 事件或辅助临床专家从放射报告中识别 VTE 事件方面已显示出可喜进展。然而，由于标注医学文本数据有限、放射报告的复杂性与异质性以及数据不平衡，有效训练深度学习（DL）与 NLP 模型具有挑战性。本研究提出了 DL 方法结合数据增强、自适应预训练 NLP 模型选择以及临床专家 NLP 基于规则的分类器的新颖方法组合，以提升非结构化（自由文本）放射报告中 VTE 识别的准确率。我们的实验结果表明了该模型的有效性，在预测 DVT 时达到了令人印象深刻的 97% 准确率与 97% F1 分数，在预测 PE 时达到了出色的 98.3% 准确率与 98.4% F1 分数。这些发现强调了该模型的鲁棒性及其对 VTE 研究的显著潜在贡献。
引用
@article{arxiv.2309.12273,
title = {Improving VTE Identification through Adaptive NLP Model Selection and Clinical Expert Rule-based Classifier from Radiology Reports},
author = {Jamie Deng and Yusen Wu and Hilary Hayssen and Brain Englum and Aman Kankaria and Minerva Mayorga-Carlin and Shalini Sahoo and John Sorkin and Brajesh Lal and Yelena Yesha and Phuong Nguyen},
journal= {arXiv preprint arXiv:2309.12273},
year = {2023}
}