Natural language processing for local, regional, and distant breast cancer relapse identification in pathology reports
Notice bibliographique
Résumé
PURPOSE: Cancer registries rarely track breast cancer relapse due to the resource-intensive nature of manual chart review. To address this gap, we developed natural language processing (NLP) models to automate the identification of breast cancer relapse in pathology reports. METHODS: We collected pathology reports from patients diagnosed with breast cancer between January 1, 2005, and December 31, 2014, in British Columbia, Canada, and manually annotated each for the presence or absence of local, regional, distant, and any breast cancer relapses. With these reports, we fine-tuned large language models to classify pathology reports. RESULTS: The corpus contained 1,888 pathology reports from a cohort of 993 breast cancer patients. Of these reports, 673 (35.6%) described local, 296 (15.7%) regional, and 654 (34.6%) distant relapses. In addition, 1,510 (80.0%) described at least one of any relapse type. The median time from diagnosis to first relapse was 7.3 years (range 0.2-18.2). All models demonstrated excellent performance. The local-relapse model performed particularly well, with > 93% accuracy, sensitivity, specificity, and 0.98 area under the receiver operating characteristic curve (AUC) score. CONCLUSION: We developed NLP models to detect breast cancer relapses from pathology reports with excellent accuracy, sensitivity, specificity, and AUC. NLP may facilitate more efficient and accurate collection of breast cancer outcomes data from clinical reports.
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 | 0,012 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,008 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».