論文の概要: An artificial intelligence natural language processing pipeline for
information extraction in neuroradiology
- arxiv url: http://arxiv.org/abs/2107.10021v1
- Date: Wed, 21 Jul 2021 11:31:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-22 18:29:53.237922
- Title: An artificial intelligence natural language processing pipeline for
information extraction in neuroradiology
- Title(参考訳): 神経放射線学における情報抽出のための人工知能自然言語処理パイプライン
- Authors: Henry Watkins, Robert Gray, Ashwani Jha, Parashkev Nachev
- Abstract要約: 神経学における放射線学的報告情報抽出のための自然言語処理パイプラインを提案する。
我々は,国立神経外科病院の放射線学報告150万件のコーパスを用いて,カスタム言語モデルを訓練し,評価した。
NeuroNLP'と呼ばれる私たちのパイプラインは、これらの報告から臨床的に関係のある情報を確実に抽出することができる。
- 参考スコア(独自算出の注目度): 0.6117371161379209
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The use of electronic health records in medical research is difficult because
of the unstructured format. Extracting information within reports and
summarising patient presentations in a way amenable to downstream analysis
would be enormously beneficial for operational and clinical research. In this
work we present a natural language processing pipeline for information
extraction of radiological reports in neurology. Our pipeline uses a hybrid
sequence of rule-based and artificial intelligence models to accurately extract
and summarise neurological reports. We train and evaluate a custom language
model on a corpus of 150000 radiological reports from National Hospital for
Neurology and Neurosurgery, London MRI imaging. We also present results for
standard NLP tasks on domain-specific neuroradiology datasets. We show our
pipeline, called `neuroNLP', can reliably extract clinically relevant
information from these reports, enabling downstream modelling of reports and
associated imaging on a heretofore unprecedented scale.
- Abstract(参考訳): 医療研究における電子健康記録の利用は、非構造化フォーマットのため困難である。
レポート内の情報抽出と患者のプレゼンテーションの要約は,ダウンストリーム分析に適した方法で行うことは,手術研究や臨床研究に非常に有益である。
本稿では,神経学における放射線情報抽出のための自然言語処理パイプラインを提案する。
当社のパイプラインでは、ルールベースと人工知能モデルのハイブリッドシーケンスを使用して、神経学的レポートの抽出と要約を高精度に行います。
われわれは, ロンドン・MRIの国立神経外科・神経外科病院からの150万件の放射線学的報告に基づいて, カスタム言語モデルを訓練し, 評価した。
また、ドメイン固有の神経放射線学データセット上での標準NLPタスクの結果も提示する。
これらの報告から臨床的に関連のある情報を確実に抽出し,報告の下流モデル化と,これまでにない規模の画像化を可能にした。
関連論文リスト
- Large Model driven Radiology Report Generation with Clinical Quality
Reinforcement Learning [16.849933628738277]
放射線学報告生成 (RRG) は, 放射線技師の作業量削減の可能性から注目されている。
本稿では,新しいRRG法である textbfLM-RRG について紹介する。
MIMIC-CXRおよびIU-Xrayデータセットを用いた実験により,本手法が技術状況よりも優れていることを示す。
論文 参考訳(メタデータ) (2024-03-11T13:47:11Z) - Towards General Purpose Vision Foundation Models for Medical Image
Analysis: An Experimental Study of DINOv2 on Radiology Benchmarks [6.2454947749350165]
DINOv2はオープンソースのファンデーションモデルで、1億4200万のキュレートされた自然画像に対する自己教師付き学習を事前訓練している。
本研究は放射線学におけるDINOv2を総合的に評価し,多種多様な実験を行った。
論文 参考訳(メタデータ) (2023-12-04T21:47:10Z) - Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳(メタデータ) (2023-11-18T14:52:26Z) - Beyond Images: An Integrative Multi-modal Approach to Chest X-Ray Report
Generation [47.250147322130545]
画像からテキストまでの放射線学レポート生成は,医療画像の発見を記述した放射線学レポートを自動生成することを目的としている。
既存の方法の多くは画像データのみに焦点をあてており、他の患者情報は放射線科医に公開されていない。
胸部X線レポートを生成するための多モードディープニューラルネットワークフレームワークを,非構造的臨床ノートとともにバイタルサインや症状などの構造化された患者データを統合することで提案する。
論文 参考訳(メタデータ) (2023-11-18T14:37:53Z) - ChatRadio-Valuer: A Chat Large Language Model for Generalizable
Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。
本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。
ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文 参考訳(メタデータ) (2023-10-08T17:23:17Z) - Radiology-Llama2: Best-in-Class Large Language Model for Radiology [71.27700230067168]
本稿では,ラジオロジーに特化した大規模言語モデルであるRadiology-Llama2を紹介する。
MIMIC-CXRとOpenIデータセットのROUGEメトリクスを用いた定量的評価は、Radiology-Llama2が最先端のパフォーマンスを達成することを示す。
論文 参考訳(メタデータ) (2023-08-29T17:44:28Z) - Interactive and Explainable Region-guided Radiology Report Generation [6.667150890634173]
既存の方法では、画像レベルの特徴から完全なレポートを生成し、画像内の解剖学的領域に明示的にフォーカスすることができない。
本稿では, 解剖学的領域を検出し, 個人, 健康領域を記述し, 最終報告を作成するための簡易かつ効果的な地域誘導レポート生成モデルを提案する。
本手法は,新たな臨床応用事例を対話的機能によって開放し,高い透明性と説明可能性をもたらす。
論文 参考訳(メタデータ) (2023-04-17T14:12:09Z) - Factored Attention and Embedding for Unstructured-view Topic-related
Ultrasound Report Generation [70.7778938191405]
本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。
提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
論文 参考訳(メタデータ) (2022-03-12T15:24:03Z) - Variational Topic Inference for Chest X-Ray Report Generation [102.04931207504173]
医療画像のレポート生成は、作業負荷を減らし、臨床実習における診断を支援することを約束する。
近年の研究では、ディープラーニングモデルが自然画像のキャプションに成功していることが示された。
本稿では,自動レポート生成のための変分トピック推論を提案する。
論文 参考訳(メタデータ) (2021-07-15T13:34:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。