RadGraph：从放射学报告中抽取临床实体与关系
计算与语言
2021-08-31 v3 人工智能
信息检索
机器学习
摘要
从自由文本放射学报告中抽取结构化临床信息，可使放射学报告信息得以用于多种关键的医疗应用。在我们的工作中，我们提出了 RadGraph，这是一个基于我们设计的用于结构化放射学报告的新颖信息抽取模式、包含全文本胸部 X 光放射学报告中实体与关系的数据集。我们发布了一个开发数据集，其中包含来自 MIMIC-CXR 数据集的 500 份放射学报告的委员会认证放射科医生标注（14,579 个实体和 10,889 个关系），以及一个测试数据集，其中包含对 100 份放射学报告的两组独立委员会认证放射科医生标注，这些报告在 MIMIC-CXR 和 CheXpert 数据集间平均分配。利用这些数据集，我们训练并测试了一个深度学习模型 RadGraph Benchmark，该模型在 MIMIC-CXR 和 CheXpert 测试集的关系抽取上分别取得了 0.82 和 0.73 的 micro F1。此外，我们发布了一个推理数据集，其中包含由 RadGraph Benchmark 自动生成的标注，覆盖 220,763 份 MIMIC-CXR 报告（约 600 万个实体和 400 万个关系）和 500 份 CheXpert 报告（13,783 个实体和 9,908 个关系），并映射至相关的胸部放射图像。我们的免费可用数据集可促进医学自然语言处理以及在与胸部放射图像关联时的计算机视觉和多模态学习中的广泛研究。
引用
@article{arxiv.2106.14463,
title = {RadGraph: Extracting Clinical Entities and Relations from Radiology Reports},
author = {Saahil Jain and Ashwin Agrawal and Adriel Saporta and Steven QH Truong and Du Nguyen Duong and Tan Bui and Pierre Chambon and Yuhao Zhang and Matthew P. Lungren and Andrew Y. Ng and Curtis P. Langlotz and Pranav Rajpurkar},
journal= {arXiv preprint arXiv:2106.14463},
year = {2021}
}
备注
Accepted to the 35th Conference on Neural Information Processing Systems (NeurIPS 2021) Track on Datasets and Benchmarks