学习估计标签不确定性以用于放射学报告自动解析
计算与语言
2019-10-03 v1 计算机视觉与模式识别
摘要
从放射学报告中自举标签已成为为医学影像提供廉价真值的可扩展替代方案。由于领域特定性质，最先进的报告标注工具主要是基于规则的。然而，这些工具通常给出二值0或1预测，指示异常的存在或缺失。这些硬目标随后被用作下游图像模型的真值，迫使模型在特异性较低的情况下也表现出高度确定性。这可能对图像模型的统计效率产生负面影响。我们通过训练一个双向长短期记忆网络来增强来自全身各部位X射线报告的基于启发式的离散标签，从而解决此问题，并取得与领域特定NLP相当或更好的性能，同时提供不确定性估计，从而实现更精细的下游图像模型训练。
引用
@article{arxiv.1910.00673,
title = {Learning to estimate label uncertainty for automatic radiology report parsing},
author = {Tobi Olatunji and Li Yao},
journal= {arXiv preprint arXiv:1910.00673},
year = {2019}
}
备注
Med-NeurIPS-2019 (accepted)