43 NATURAL LANGUAGE PROCESSING MODEL-BASED SOLUTION FOR LABELING BRAIN METASTASIS IN RADIOLOGY REPORTS
Notice bibliographique
Résumé
Abstract Brain Cancer Canada Travel Award Recipient Brain metastases (BM) far exceed primary CNS tumours and constitute the majority workload for neuro-oncology care providers. Canadian Cancer Registry captures ~2800 BM identified at the primary cancer diagnosis in stage IV cancer patients, while we estimated that ~10,000 Canadians are diagnosed with BM annually. We aim to develop a natural language processing (NLP) algorithm to scan radiology reports on cancer patients to capture BM diagnoses as they occur. Using the population-based cancer registry data in Alberta Canada, we identified a cancer cohort diagnosed between 2012–2019, with follow-up reports up to 2022. All radiology reports at and post-cancer diagnosis that are related to brain/head were identified for this cohort. A subset of 1817 samples was then manually labeled for BM (yes/no) as a training dataset. We trained two BioBERT models, one using the “Findings” section and the other using the “Impressions” section of these reports. We predicted the BM label as yes when the probability estimate of either model is greater than a threshold. For testing, 1585 reports containing both the “Findings” and “Impressions” sections were selected. These reports were independently labeled by an annotator for external model evaluation. Using a threshold of 0.4, our ensembled model achieved 94.3% accuracy on BM predictions. Our model yielded an F1 score of 0.788, positive predictive value of 0.702, and sensitivity of 0.898. Model performance is currently being evaluated with radiology reports in Ontario, with results expected by the end of May.
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 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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».