Sep, 2023

通过自适应的自然语言处理模型选择和基于临床专家规则的分类器改进 VTE 的识别 —— 来自放射学报告

PDF
TL;DR通过采用深度学习和自然语言处理模型的新方法组合，结合数据增强、自适应预训练 NLP 模型选择和基于临床专家 NLP 规则的分类器，可以有效提高未结构化（自由文本）放射学报告中静脉血栓栓塞（VTE）的识别准确率。实验结果表明该模型的有效性，对深静脉血栓形成（DVT）预测达到 97% 的准确率和 97% 的 F1 分数，对肺栓塞（PE）预测达到 98.3% 的准确率和 98.4% 的 F1 分数，强调了该模型的鲁棒性和对 VTE 研究的潜在贡献。
venous thromboembolismnatural language processingdeep learningnlp modelsvte identification
发现论文，激发创造
  • 计算机断层扫描肺动脉造影影像的深度学习：一种肺栓塞检测的双重方法

    通过深度学习技术，结合关注引导的卷积神经网络和集成技术，对肺栓塞进行诊断，以提高准确度和病理捕捉率。

    Nov, 2023

  • 基于深度学习和传统 CAD 方案的肺栓塞诊断：调研

    本文综述评估和比较了深度学习和传统基于计算机辅助设计系统在诊断肺栓塞方面的性能，为医生和研究人员提供帮助。

    Dec, 2023

  • 基于 Transformer 的深度学习在生成结构化放射学报告中的应用

    本研究提出一种以 transformers 为基础的细粒度命名实体识别体系结构，用于临床信息提取，通过 fine-tuning 在 ROUGE-1、ROUGE-2、ROUGE-L 和 BLEU 度量指标上的表现优于之前使用的人工神经网络和卷积神经网络模型。

    Sep, 2022

  • 基于计算机断层扫描血管造影和临床数据的肺栓塞死亡率预测

    通过使用 CTPA 成像、临床数据和 PE 严重指数（PESI）评分来预测 PE 的死亡率，研究采用深度学习模型来预测 PE 的死亡率，并将疾病相关的成像特征和 / 或临床变量纳入 DL 模型中进行预测，结果表明多组学 DL 模型在 PE 存活预测中的 c-index 值明显高于仅使用 PESI 指数的模型。

    Jun, 2024

  • 自然语言处理在放射学报告中的应用的系统性综述

    该研究系统评估了最近 NLP 应用于放射学报告方面的文献，并将其归类为 6 个临床应用类别，结果表明，深度学习的使用在增加，但传统的机器学习方法仍然普遍存在。

    Feb, 2021

  • 大规模结构化现实世界数据的研究：利用患者级监督的深度学习从临床文本中提取关键肿瘤信息

    本文介绍了使用自然语言处理技术和基于深度学习的方法处理医学记录中的实际数据，通过利用医学注册处重点患者信息的导向监督，并结合领域特定的预训练、递归神经网络和分层注意的方法，实现了在医疗系统中具有可伸缩性的实证研究。

    Mar, 2022

  • PECon: 提升 CT 和 EHR 数据特征对齐以改进肺栓塞诊断的对比预训练

    使用对比学习的肺栓塞检测方法（PECon）结合患者 CT 扫描和电子健康记录，旨在提高两种模态之间特征表示的对齐性，从而改善肺栓塞的诊断效果，并通过实验结果表明该方法在 RadFusion 数据集上表现优于现有技术，得到了 0.913 的 F1 分数，0.90 的准确率和 0.943 的 AUROC。

    Aug, 2023

  • 电子病历中的自然语言处理与医疗决策：一项系统性综述

    本研究阐述了自然语言处理技术在电子病历上的应用存在的挑战和限制，以及研究人员使用机器学习、深度学习等技术进行处理和信息提取的相关领域和方法。

    Jun, 2023

  • PE-MVCNet：肺栓塞预测的多视角和跨模态融合网络

    为了提高患者的生存率，该研究提出了一种多模态融合方法来检测肺栓塞。通过集成 CT 肺血管造影和电子病历数据，该方法融合了图像和临床信息，取得了显著的预测效果，从而超越了仅使用单个数据模式的模型。

    Feb, 2024

  • 拥抱自然语言处理（NLP）基于数字病理学：对比基于 NLP 和卷积神经网络的深度学习管道

    通过比对 NLP 模型与 CNN 模型预测九种大肠癌生物标志物的结果，本研究表明 NLP 模型在数字病理领域的优越性，并证明相比大数据集，较小数据集下 NLP 模型得到的预测结果不比大数据集下的数字病理模型差。因此，NLP 模型已经可以成为数字病理领域的新基础模型。

    Feb, 2023