Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Thẩm định tự động các yêu cầu chẩn đoán hình ảnh: khám phá việc sử dụng xử lý ngôn ngữ tự nhiên và các phương pháp học máy truyền thống
Tóm tắt
Với sự gia tăng đáng kể trong việc sử dụng chẩn đoán bằng hình ảnh cắt lớp vi tính (CT), việc hình ảnh không phù hợp trở thành một mối quan tâm lớn. Kiểm tra tính hợp lệ theo cách thủ công của các yêu cầu chẩn đoán hình ảnh tốn thời gian và đòi hỏi nguồn lực tài chính. Chúng tôi đã tiến hành kiểm tra tính hợp lệ một cách hồi cứu đối với các yêu cầu chẩn đoán CT não bằng cách áp dụng các kỹ thuật xử lý ngôn ngữ tự nhiên và học máy truyền thống để dự đoán tính hợp lệ của chúng dựa trên kết quả kiểm tra. Hai chuyên gia đã phân tích hồi cứu tính hợp lệ của 375 yêu cầu CT não cho người lớn được thực hiện tại một bệnh viện tuyến ba trong năm 2019, sử dụng một nền tảng dựa trên đám mây cho việc tham khảo có cấu trúc. Kappa của Cohen được tính toán để đo lường độ tin cậy giữa các người đánh giá. Các yêu cầu được biểu diễn dưới dạng bag-of-words (BOW) và các mô hình tần suất từ – tần suất nghịch đảo tài liệu (TF-IDF). Các kỹ thuật tiền xử lý văn bản, bao gồm từ dừng tùy chỉnh (CSW) và sửa lỗi chính tả (SC), đã được áp dụng cho văn bản yêu cầu. Hồi quy logistic, rừng ngẫu nhiên và máy vector hỗ trợ (SVM) đã được sử dụng để dự đoán tính hợp lệ của các yêu cầu. Một bộ kiểm tra (300/75) đã được sử dụng để tính toán độ chính xác có trọng số, độ nhạy, độ đặc hiệu và diện tích dưới đường cong (AUC). Tổng cộng, 253 (67.5%) xét nghiệm được coi là hợp lệ, 75 (20.0%) là không hợp lệ và 47 (12.5%) là có thể hợp lệ. Sự đồng thuận giữa những người chú thích là mạnh mẽ (κ = 0.835). Mô hình BOW + CSW + SC + SVM vượt trội hơn so với các mô hình nhị phân khác với độ chính xác có trọng số đạt 92%, độ nhạy 91%, độ đặc hiệu 93%, và AUC đạt 0.948. Các mô hình ML truyền thống có thể dự đoán chính xác tính hợp lệ của các yêu cầu CT não không cấu trúc. Điều này mở ra tiềm năng cho việc phân tích tự động tính hợp lệ của các yêu cầu CT trong các phòng khám lâm sàng.
Từ khóa
#Chẩn đoán hình ảnh #xử lý ngôn ngữ tự nhiên #học máy #CT não #thẩm định tự độngTài liệu tham khảo
Shao Y-H, Tsai K, Kim S, Wu Y-J, Demissie K (2020) Exposure to tomographic scans and cancer risks. JNCI Cancer Spectr 4(1):pkz072. https://doi.org/10.1093/jncics/pkz072
Rehani MM, Yang K, Melick ER et al (2020) Patients undergoing recurrent CT scans: assessing the magnitude. Eur Radiol 30(4):1828–1836. https://doi.org/10.1007/s00330-019-06523-y
Gilligan P, Darcy L, Maguire G et al (2018) Irish national 2017 ct population and dose reference level survey: a novel gender and aged based survey using spreadsheet templates and clinical indications, EuroSafe imaging 2018. Austria Centre Vienna, 28 February–4 March. European Congress of Radiology, Vienna, pp 1–20. https://doi.org/10.1594/esi2018/ESI-0055
National Health Service England (2013) Diagnostic imaging dataset statistical release: annual experimental statistics. The Government Statistical Service, London. https://www.england.nhs.uk/statistics/statistical-work-areas/diagnostic-imaging-dataset/diagnostic-imaging-dataset-2012-13-data-2/. Accessed 23 June 2021
National Health Service England and National Health Service Improvement (2020) Diagnostic imaging dataset statistical release: provisional monthly statistics, September 2018 to September 2019. Performance Analysis Team, London. https://www.england.nhs.uk/statistics/wp-content/uploads/sites/2/2020/01/Provisional-Monthly-Diagnostic-Imaging-Dataset-Statistics-2020-01-23.pdf. Accessed 23 June 2021
National Council on Radiation Protection and Measurements (NCRP) (2019) Report no. 184—medical radiation exposure of patients in the United States. Bethesda, MD: NCRP. https://ncrponline.org/shop/reports/report-no-184-medical-radiation-exposure-of-patients-in-the-united-states-2019/. Accessed 25 June 2021
O’Connor C, Cunningham N, Kelleher K et al (2014) Radiation doses received by the Irish population. Radiological Protection Institute Ireland, Dublin
Public Health England (2018) A retrospective review of justification of computed tomography examinations in Northern Ireland. Medical Exposures Group, London
Almen A, Wolfram L, Sven R (2009) National survey on justification of CT-examinations in Sweden. Swedish Radiation Safety Authority. https://inis.iaea.org/collection/NCLCollectionStore/_Public/40/029/40029225.pdf?r=1. Accessed 26 June 2021
Bouëtté A, Karoussou-Schreiner A, Pointe HDL et al (2019) National audit on the appropriateness of CT and MRI examinations in Luxembourg. Insights Imaging 10(1):1–12. https://doi.org/10.1186/s13244-019-0731-9
Sobiecka A, Bekiesińska-Figatowska M, Rutkowska M, Latos T, Walecki J (2016) Clinically unjustified diagnostic imaging—a worrisome tendency in today’s medical practice. Pol J Radiol 81:325–330. https://doi.org/10.12659/PJR.896847
Dowley A, Foley SJ, Potočnik J et al (2021) A comparison of computed tomography (CT) justification practices between core hours and on-call hours in irish ct centres [presentation], RPS 200—professional issues: radioprotection. Austria Center Vienna. 3 March. https://connect.myesr.org/course/professional-issues-radioprotection/
Oikarinen H, Meriläinen S, Pääkkö E, Karttunen A, Nieminen MT, Tervonen O (2009) Unjustified CT examinations in young patients. Eur Radiol 19(5):1161–1165. https://doi.org/10.1007/s00330-008-1256-7
Vilar-Palop J, Hernández-Aguado I, Maria P-V, Vilar J (2018) Appropriate use of medical imaging in two Spanish public hospitals: a cross-sectional analysis. BMJ Open 8(3):1–11. https://doi.org/10.1136/bmjopen-2017-019535
European Commission (2020) ENER/D3/2020-74 European co-ordinated action on improving justification of computed tomography. https://etendering.ted.europa.eu/cft/cft-display.html?cftId=6801/ Accessed 17 July 2021
Cai T, Giannopoulos AA, Yu S (2016) Natural language processing technologies in radiology research and clinical applications. Radiographics 36(1):176–191. https://doi.org/10.1148/rg.2016150080
Pons E, Braun LMM, Myriam Hunink MG, Kors JA (2016) Natural language processing in radiology: a systematic review. Radiology 279(2):329–343. https://doi.org/10.1148/radiol.16142770
Fattahi J, Mejri M (2021) SpaML: a bimodal ensemble learning spam detector based on NLP techniques. In: IEEE 5th international conference on cryptography, security and privacy (CSP). Beijing Normal University, 8–10 January. IEEE, Zhuhai, pp 107–112. https://doi.org/10.1109/CSP51677.2021.9357595
Kelleher JD, Mac Namee B, D’Arcy A (2015) Fundamentals of machine learning for predictive data analytics: algorithms, worked examples, and case studies. The MIT Press, London
Carrodeguas E, Lacson R, Swanson W, Khorasani R (2018) Use of machine learning to identify follow-up recommendations in radiology reports. J Am Coll Radiol 16(3):336-343.g. https://doi.org/10.1016/j.jacr.2018.10.020
Brown AD, Kachura JR (2019) Natural language processing of radiology reports in patients with hepatocellular carcinoma to predict radiology resource utilization. J Am Coll Radiol 16(6):840–844. https://doi.org/10.1016/j.jacr.2018.12.004
Li MD, Lang M, Deng F et al (2021) Analysis of stroke detection during the COVID-19 pandemic using natural language processing of radiology reports. AJNR Am J Neuroradiol 42(3):429–434. https://doi.org/10.3174/ajnr.A6961
Casey A, Davidson E, Poon M et al (2021) A systematic review of natural language processing applied to radiology reports. BMC Med Inform Decis Mak 21(1):179–216. https://doi.org/10.1186/s12911-021-01533-7
Sorin V, Barash Y, Konen E, Klang E (2020) Deep learning for natural language processing in radiology—fundamentals and a systematic review. J Am Coll Radiol 17(5):639–648. https://doi.org/10.1016/j.jacr.2019.12.026
Radiological Protection Institute Ireland (RPII) (2014) Radiation doses received by the Irish population. RPII, Dublin. https://inis.iaea.org/collection/NCLCollectionStore/_Public/46/045/46045338.pdf. Accessed 14 July 2021
xWave Technologies (2021) INTRODUCING: xRefer. https://www.xwave.ie/. Accessed 17 July 2021
European Society of Radiology (2021) ESR iGuide. https://www.esriguide.org/. Accessed 17 July 2021
American College of Radiology (2021) ACR appropriateness criteria. https://www.acr.org/Clinical-Resources/ACR-Appropriateness-Criteria
Gransjøen AM, Wiig S, Lysdahl KB, Hofmann BM (2018) Barriers and facilitators for guideline adherence in diagnostic imaging: an explorative study of GPs’ and radiologists’ perspectives. BMC Health Serv Res 18(1):556–563. https://doi.org/10.1186/s12913-018-3372-7
Drucker H, Donghui W, Vapnik VN (1999) Support vector machines for spam categorization. IEEE Trans Neural Netw 10(5):1048–1054. https://doi.org/10.1109/72.788645