放射学中的自然语言处理技术综述

写在最前面

参考：
Review of Natural Language Processing in Radiology
放射学中的自然语言处理技术综述
https://pubmed.ncbi.nlm.nih.gov/33038995/

由于论文比较老，只总结、翻译感兴趣的部分

本文介绍与放射学相关的部分，前部分于上篇文章中学习分享。

预览

CLINICAL APPLICATIONS Automatic Protocoling 临床应用程序自动协议

使用机器学习来自动磁共振（MR）成像协议选择放射申请。
在Brown和Marotta的一项研究中【39】，开发了一个机器学习模型来
① 分类非结构化的临床历史适应症
② 分配Mr成像协议
③ 尝试使用模型来比较支持向量机、梯度增强和随机森林。
性能最高的模型，一个 gradient boosting machine，能够实现一个协议分配准确率为95%。

为了执行同一任务，已经提出了更先进的自然语言处理方法，以允许使用更先进的Word2vec模型进行全面的Mr成像和计算机断层扫描（CT）协议【40】。

Extraction of Language Features, Patient Cohorting, and Coded Ontology from Charts 从图表中提取语言特征、患者队列和编码本体

信息学和电子健康记录界对NLP从医疗记录和叙述文本中提取细节的能力给予了大量关注，特别是在统计数据收集、保险账单和患者队列等任务方面【41,42】。
NLP已被用于筛选大型x线片数据库，以识别有研究登记条件的患者，这已被证明可与传统的出院记录编码相媲美，有时也优于后者【43】。
此外，这类系统已被证明在有标准化格式和术语的文档语料库中表现更好，如BI-RADS（乳腺成像报告和数据系统）评估类别，支持持续的临床努力，以在临床实践中增加结构化报告【44】。

Medical Imaging Appropriate Use and Clinical Follow-up, and Diagnostic Yield 医学影像学的适当使用、临床随访和诊断率

与患者抽象化类似的技术已经被提出，以直接监测和影响转诊医生的顺序、随访建议和医疗成像资源的适当使用。

在Dang及其同事的一篇文章中，设计了一个在线处理工作流程，在10年的时间里处理超过400万份放射学报告中提出的建议，以确定有或没有后续建议的报告。
该系统能够识别不同检查之间的不同趋势，其中有更多的建议，这可能因年龄和成像方式而不同。

Santo and colleagues【46】（2016）评估监测系统的有效性识别缺乏随访腹部成像发现可疑的癌症，设计了一个更全面的系统，试图入围和识别临床重要的偶然发现和建议，随后，他们试图直接联系转诊医生，以确保对调查结果的认识。
在10名患者中有1名患者中，监测系统能够识别出不适当的随访缺乏，提供了一个有价值的过程来处理在护理和随访中出现的不良交接的后续检查安排。

对于其他疾病和条件，也提出了类似的概念，包括肺栓塞的情绪分类，并呼吁使用类似的技术为转诊临床医生提供适当使用的反馈【47,48】。

Conversational Interfaces 会话接口

在NLP的极端末端是文本生成接口，能够为特定的适应症进行对话和回答问题，甚至经常直接与患者交流。

Chetlen and colleagues（2019年）中，聊天机器人技术被用于在乳房活检前对患者进行教育。
通过触摸屏平板电脑给患者接受乳房活检过程之前，通过抽样大查询5000多个论坛线程对话从乳腺癌治疗中心网站，创建一个统计模型来创建一个浓缩的问题和答案列表，呈现给病人在对话界面。
在对聊天机器人进行的患者调查测试中，18名（33%）女性强烈同意，29名（54%）同意聊天机器人更容易理解她们的程序，大多数人同意它提高了她们的护理质量。

LIMITATIONS 限制

与计算机视觉中的机器学习相比，使用自然语言处理带来了不同的挑战和障碍，其中一些是语言学所特有的。

在处理NLP问题时的一个关键困难是的可访问性的培训数据集。
与长期的开放科学公开记录最近的机器学习和人工智能竞赛和成像数据集，因为固有的私人性质的报告和生物医学文本，大型公共数据集的医疗记录与维基百科语料库的大小或公共互联网语料库并不常见，对于卫生保健组织，非常难以提取和释放由于确保文本匿名化的重大困难。

自由叙述报告的持久性和医生之间的差异也使模型训练变得困难，特别是在在部门和医院之间概括语言模型的能力方面，这些部门可能有独特的词汇、表达或术语。即使利用了现有的语言本体，这些可能不局限于特定的环境，通常需要大量的定制，以产生与研究系统相媲美的性能结果。

此外，有固有的限制基于nlp的方法对病人队列和标签，从根本上是有限的特异性和细节在常规临床记录和报告，通常写的原因只有促进适当的临床护理，而不是机器学习应用程序开发所需的细节水平。

SUMMARY 总结

机器学习和人工智能技术的能力允许广泛的可能性和应用。
虽然一直关注图像解释任务，许多其他机会存在与NLP提供类似或更大的临床价值，通常作为一个辅助或辅助技术，这可能导致改善临床工作流程，更大的安全性和效率，提高病人的生活质量和卫生保健满意度。

这些应用并没有对放射科医生构成生存威胁，其中许多应用本质上是互补的，使放射科医生从平凡或日常任务中解放出来。一些调查人员认为NLP放射学信息学应用有可能成为放射学人工智能的“低垂果实”，远比成像诊断的自动化更可行和实用，工作流转换可立即实现。

此外，有许多人认为NLP是一种必要的补充，使图像解释人工智能任务的先驱，特别是在患者队列方面，允许每种疾病和条件的人工智能模型发展。
每次医学影像学检查的背后都有一个放射学报告，两侧有同样的事实是，NLP可能在释放放射学人工智能的可能性方面发挥了重要作用。

参考文献