先進的AI模型可改善自由文本病理報告的數(shù)據(jù)提取

研究人員開發(fā)了兩個由AI驅(qū)動的工具，用于從自由文本病理報告中自動提取關(guān)鍵信息。該小組由政府資助的橡樹嶺實驗室(ORNL)在田納西州橡樹嶺，共享其研究結(jié)果在醫(yī)學(xué)信息學(xué)會的。

ORNL是能源部最重要的研究實驗室之一，其科學(xué)家一直在努力尋找使用AI和自然語言處理等先進技術(shù)來改善患者預(yù)后的新方法。

“人口級癌癥監(jiān)測對于監(jiān)測旨在預(yù)防，檢測和治療癌癥的公共衛(wèi)生措施的有效性至關(guān)重要，” ORNL健康數(shù)據(jù)科學(xué)研究所和計算科學(xué)中心主任Gina Tourassi對應(yīng)作者說，在準(zhǔn)備好的聲明中說。“與癌癥研究所合作，我的團隊正在開發(fā)先進的AI解決方案，以通過自動化耗時的數(shù)據(jù)捕獲工作并提供接近實時的癌癥報告來使癌癥監(jiān)測計劃現(xiàn)代化。”

對于這項研究，主要作者Mohammed Alawad及其同事訓(xùn)練了多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)(MTCNN)，以從自由文本病理報告中提取與癌癥相關(guān)的數(shù)據(jù)。MTCNN(一個“硬參數(shù)共享”模型和一個“十字繡”模型)執(zhí)行了五個單獨的提取任務(wù)。他們的性能與單任務(wù)CNN和精選的機器學(xué)習(xí)技術(shù)進行了比較。

總體而言，MTCNN的表現(xiàn)優(yōu)于所有其他AI模型。根據(jù)回顧性分析，硬參數(shù)模型(59.04%)和十字繡模型(57.93%)正確分類的病理報告百分比高于其他模型，范圍為36.75%至53.68%。與其他模型相比，對這兩個MTCNN的前瞻性分析也產(chǎn)生了更好的性能(硬參數(shù)模型為60.11%，十字繡模型為58.13%)。

那么，這些研究人員的下一步是什么?

圖拉西在ORNL的同一份聲明中說：“下一步是啟動一項大規(guī)模的用戶研究，該技術(shù)將在整個癌癥注冊管理機構(gòu)中進行部署，以確定在注冊管理機構(gòu)工作流程中最有效的集成方式。”“目標(biāo)不是取代人類，而是擴大人類。”