理解放射学中的空间语言：基于深度学习的胸片报告表示框架、标注与空间关系抽取
计算与语言
2019-08-14 v1
摘要
我们定义了一种用于从放射学报告（Rad-SpRL）中抽取空间信息的表示框架。我们标注了共计 2000 份胸片报告，包含对应于常见放射学实体的 4 种空间角色。我们的重点在于抽取放射科医生解读的详细信息，包括放射学发现、其解剖位置、相应的可能诊断以及相关的模糊限定词。为此，我们提出了一种基于深度学习的自然语言处理（NLP）方法，涉及词级与字符级编码。具体而言，我们利用双向长短期记忆（Bi-LSTM）条件随机场（CRF）模型来抽取空间角色。该模型在抽取 Trajector 和 Landmark 角色时分别取得了 90.28 和 94.61 的平均 F1 值，而在 Diagnosis 和 Hedge 角色上的表现中等，平均 F1 分别为 71.47 和 73.27。语料库将很快在请求后提供。
引用
@article{arxiv.1908.04485,
title = {Understanding Spatial Language in Radiology: Representation Framework, Annotation, and Spatial Relation Extraction from Chest X-ray Reports using Deep Learning},
author = {Surabhi Datta and Yuqi Si and Laritza Rodriguez and Sonya E Shooshan and Dina Demner-Fushman and Kirk Roberts},
journal= {arXiv preprint arXiv:1908.04485},
year = {2019}
}