自然语言处理准确分类多中心结肠镜检查的适应症、发现与病理报告
计算与语言
2021-08-26 v1 机器学习
摘要
结肠镜检查用于结直肠癌（CRC）筛查。从电子健康记录（EHR）的自由文本中提取结肠镜检查发现的细节，可用于确定患者的结直肠癌风险及结直肠筛查策略。我们开发并评估了一个深度学习模型框架的准确性，该框架旨在为临床决策支持系统提取信息，以解读相关的自由文本报告，包括适应症、病理和发现记录。所开发的 Bio-Bi-LSTM-CRF 框架使用双向长短期记忆网络（Bi-LSTM）和条件随机场（CRF），从这些自由文本报告中提取若干临床特征，包括结肠镜检查的适应症、检查过程中的发现以及切除材料的病理。我们在来自 3867 名患者的 4000 份人工标注记录中的 80% 上训练了 Bio-Bi-LSTM-CRF 模型和现有的 Bi-LSTM-CRF 模型。这些临床记录来自一组在四家退伍军人事务医疗中心注册的 40 岁以上患者。剩余标注记录中的 10% 用于训练超参数，最后 10% 用于评估我们的 Bio-Bi-LSTM-CRF 模型的准确性，并与 Bi-LSTM-CRF 模型进行比较。
引用
@article{arxiv.2108.11034,
title = {Natural Language Processing Accurately Categorizes Indications, Findings and Pathology Reports from Multicenter Colonoscopy},
author = {Shashank Reddy Vadyala and Eric A. Sherer},
journal= {arXiv preprint arXiv:2108.11034},
year = {2021}
}
备注
18 pages, 3 figures