May, 2024

利用自然语言处理从外科病理报告中提取和分类乳头状甲状腺癌特征

PDF
TL;DRThyroPath 是一个基于规则的自然语言处理（NLP）流水线，可以自动提取和分类甲状腺癌病理报告的风险因素，并显示了在大规模上操作的潜力，并在人工提取病理信息方面实现了 100% 的准确性。
natural language processingthyroid cancerrisk factorspathology reportsnlp pipeline
发现论文，激发创造
  • 基于 Transformer 的自然语言处理方法从超声报告中提取甲状腺结节特征

    该研究采用自然语言处理和 GatorTron 模型等技术，从甲状腺结节的超声波报告中提取了 16 个结节的特征，为评估甲状腺超声报告的文档质量和通过电子健康档案检查甲状腺结节患者的治疗效果建立了基础。

    Mar, 2023

  • 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

  • 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

  • 使用自然语言处理方法识别具有高急危重症风险的肿瘤患者临床记录

    本研究使用自然语言处理技术，比较了深度学习模型和手动工程化语言特征模型，在使用自由文本格式预测急性护理使用风险上的表现，结果表明，使用结构化健康数据模型能够最小限度地胜过 NLP 模型。

    Sep, 2022

  • 利用开源临床大型语言模型分类癌症分期

    通过使用开源临床大型语言模型（LLMs）和基于 BERT 的模型进行细化调整，本研究证明在没有标记训练数据的情况下，可以从真实世界的病理报告中提取病理肿瘤 - 淋巴结 - 转移（pTNM）分期信息。研究发现 LLMs 在肿瘤（T）分类方面仍然表现不佳，但通过适当的提示策略，它们可以达到与转移（M）分类相当的性能，并在淋巴结（N）分类方面表现出更好的性能。

    Apr, 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

  • 从像素到幻灯片图像：基于表示学习的极化模态病理诊断

    通过图像和结构表示学习，该研究设计了一种三阶段模型来准确区分甲状腺肿瘤，通过颜色编码实现了与血红蛋白和伊红染色相近的效果，同时提供了甲状腺肿瘤的间接诊断技术。

    Jan, 2024

  • 乳腺癌标本报告的分层分类系统（HCSBC）-- 一种用于评估严重程度和诊断的端到端模型

    癌症病理报告的自动分类可以从非结构化报告中提取信息，并将每个报告分类到结构化的诊断和严重程度类别中。我们开发了一种基于分层混合变压器的分类系统用于乳腺癌标本报告，并比较了我们的模型与其他几种最先进的机器学习和深度学习模型。

    Nov, 2023

  • 临床放射肿瘤学中的自然语言处理技术和框架简介

    该研究回顾了现代自然语言处理模型的关键技术创新，并介绍了在放射肿瘤学研究中使用大型语言模型的最新应用，同时提出了一种全面的框架来评估 NLP 模型以便在临床应用前进行严格的评估和验证。

    Nov, 2023

  • 甲状腺手术叙述自动化信息提取：GPT-4 与 Fine-tuned KoELECTRA 的比较研究

    该研究旨在比较经过调整的 KoELECTRA 模型与 GPT-4 模型的转化能力，以促进对甲状腺手术叙述的自动信息提取，通过利用先进的自然语言处理技术推动医疗领域的数据处理系统的范式转变，揭示了更流畅、精确和高效的文档处理方法，潜在地改变了医疗数据的处理和分析方式。

    Jun, 2024