讓機器「讀懂」放射學報告

05-21

讓機器「讀懂」放射學報告

來自專欄我是程序員

摘要：利用基於規則的NLP系統讓機器"讀懂"放射學報告，準確率比基於機器學習的NLP系統要高。

在Qure，我們建立了深度學習模型來檢測放射影像中的異常。這些模型需要大量的標記數據來學習診斷異常。因此，我們從醫院和門診放射中心收集了一個大型數據集。這些數據集包含相關的臨床放射學報告。

目前，當我們訓練深度學習演算法以識別放射學圖像的異常情況時，我們使用放射科的醫師報告作為最佳標準。這是目前最好的方式，因為這可以提供以百萬計的圖像以實現高精度的分類演算法。

這些報告通常以自由格式文本而不是結構化格式編寫。所以，為了從這些非結構化報告中自動提取結果，我們設計了一個基於規則的自然語言處理（NLP）系統。如下所示：

CT SCAN BRAIN - PLAIN STUDYAxial ct sections of the brain were performed from the level of base of skull. 5mm sections were done for the posterior fossa and 5 mm sections for the supra sellar region without contrast. OBSERVATIONS: - Area of intracerebral haemorrhage measuring 16x15mm seen in left gangliocapsular region and left corona radiate.- Minimal squashing of left lateral ventricle noted without any appreciable midline shift- Lacunar infarcts seen in both gangliocapsular regions- Cerebellar parenchyma is normal.- Fourth ventricle is normal in position and caliber. - The cerebellopontine cisterns, basal cisterns and sylvian cisterns appear normal.- Midbrain and pontine structures are normal.- Sella and para sellar regions appear normal.- The grey-white matter attenuation pattern is normal.- Calvarium appears normal- Ethmoid and right maxillary sinusitis noted IMPRESSION:- INTRACEREBRAL HAEMORRHAGE IN LEFT GANGLIOCAPSULAR REGION AND LEFT CORONA RADIATA - LACUNAR INFARCTS IN BOTH GANGLIOCAPSULAR REGIONS

這是一篇簡短的放射學報告，從中我們可以提取如下結果：

{ "intracerebral hemorrhage": true, "lacunar infarct": true, "mass effect": true, "midline shift": false, "maxillary sinusitis": true}

為什麼是基於規則的NLP系統？

基於規則的NLP系統可以解析無組織內容並對其進行組織。另一方面，基於機器學習（ML）的NLP系統則在大型數據集上訓練時自動生成規則。

與基於ML的方法相比，基於規則的NLP系統具有多重優勢：

1.臨床知識可以手動合併到基於規則的NLP系統中。然而，在基於ML的NLP系統中捕獲這些知識，需要大量的注釋。

2.基於ML的NLP系統自動生成的規則難以解釋。

3.基於規則的NLP系統可以容易地添加或修改，以適應系統中新目標的發現。4.以往的臨床報告分析報告表明，基於ML的NLP系統的結果不如基於規則的NLP系統。

基於規則的NLP開發

由於從多個中心收集了報告，因此有多個報告標準。因此，我們在手動讀取大量報告後構建了一組規則來捕獲這些變化。其中，我舉兩種常見的規則類型例子：

1.發現檢測

在報告中，同樣的發現可以用幾種不同的格式來記錄，這些包括同義詞的定義。例如，blunted CP angle可以通過以下任一方式表示：

1.CP angle is obliterated

2.Hazy costophrenic angles

3.Obscured CP angle

4.Effusion/thickening

我們收集了可用於報告調查結果的所有措辭，並為每項調查結果制定了一條規則。以下是blunted CP angle的規則。

如果在一個句子中有angle 、blunted、effusion和thickening 或其同義詞，則該句子將滿足這個規則。

另外，研究結果可以有一個層次結構。例如，如有任何像edema, groundglass, consolidation等其他近似blunted CP angle的病理情況都可以被認為滿足規則。因此，我們還創建了一個關於處理這個層次結構的規則。

2.否定檢測 上述規則用於檢測報告中的發現。但這些不足以理解報告。例如，考慮以下句子： 1. Intracerebral hemorrhage is absent. 2. Contusions are ruled out. 3. No evidence of intracranial hemorrhages in the brain. 雖然intracerebral hemorrhage, contusion 和intracranial hemorrhage等詞語都是在上述句子中提到的。但是它們是不確定的，實際上應該不滿足上述我們提到的規則，可是由於存在相應的關鍵字，會造成干擾。因此，除了發現之外，我們還需要否定一些句子。我們手動讀取幾個表示否定的句子，並根據它們的結構對這些句子進行分組。檢測否定的規則是基於這些句子創建的。其中一個如下所示：

我們可以看到上述例子的第一句和第二句與這條規則相符，因此我們可以推斷出這些句子是否定的。

Intracerebral hemorrhage is absent ? intracerebral hemorrhage negative.

Contusions are ruled out ? contusion negative.

結果：

我們在一個數據集上測試了我們的演算法，其中包含1878份頭部 CT 掃描的臨床放射學報告。我們手動閱讀所有的報告用來創造最佳標準。我們用靈敏度和特異性作為評價指標。所得結果如下表所示。

在本文中，作者使用基於ML的NLP模型來提取頭部CT臨床放射學報告的結果。他們報告的平均敏感度和平均特異度分別為0.9025和0.9172。在評估的目標結果相同的情況下，我們使用基於規則的NLP演算法，報告的平均敏感度和平均特異度分別為0.9841和0.9956。因此，我們可以總結基於規則的NLP演算法在臨床報告上比基於ML的NLP演算法表現更好。

數十款阿里雲產品限時折扣中，趕緊點擊領劵開始雲上實踐吧！

以上為譯文，由阿里云云棲社區組織翻譯。

譯文鏈接

文章原標題《Teaching Machines to Read Radiology Reports》

譯者：黃小凡，審校：袁虎。

文章為簡譯，更為詳細的內容，請查看原文。

更多技術乾貨敬請關注云棲社區知乎機構號：阿里云云棲社區 - 知乎

本文為雲棲社區原創內容，未經允許不得轉載。