Natural Language Processing of Radiology Reports: Predicting Metastatic Progression from Text Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The project’s goal is to extract tumour measurement data from oncological radiology reports with equal, or improved accuracy of a human radiologist. The purpose is to streamline and improve the efficiency of cancer diagnosis, accomplishing this through methods in artificial intelligence. In this experiment, a collection of 85,218 colorectal, and lung radiology reports were used. After loading reports into a data frame, and a BioBERT (bidirectional encoder representations from transformers pre-trained on biomedical corpora) model into a virtual environment, a question is set to be answered by the model where the context of the question is each radiology report’s findings section of the specified organ. These inputs are tokenized and embedded into numerical values to map sentences to vectors of real numbers. Vectors are fed into the model, and an answer is output in natural language for human readability. Answers are stored in the data frame in their corresponding row from which they were derived. The model successfully answered questions about measurements of tumours written in free text in reports where tumours were present, and successfully ignored or did not report in cases where tumours were not present, or measurements were unchanged. In cases with multiple tumours, the model reported exclusively first listed measurements. In an updated version of this model, context will be run through sentence-wise to ensure equal attention to the context entirely. This project is evidence that using one question and selecting the findings portion of a radiology report for one organ as context in a question-answering model built using BioBERT is effective, and efficient in collecting measurements from radiology reports. This algorithm can be applied to other areas of medicine, or other fields entirely with a few model alterations. This project is a step forward in improving cancer diagnosis efficiency and improving medical AI.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle