Natural Language Processing of Radiology Reports: Predicting Metastatic Progression from Text Data
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».