ترجمه مقاله: Automated annotation and classification of BI-RADS assessment from radiology reports

گزارش تصویربرداری پستان و سیستم داده (BI RADS) ,استخراج اطلاعات ,پردازش زبان طبیعی ,تصویربرداری انفورماتیک,یادگیری خودکار|1274153|ostadanesh
در حال حاظر شما فایل با عنوان ترجمه مقاله: Automated annotation and classification of BI-RADS assessment from radiology reports را دنبال می کنید .

a r t i c l e i n f o


Article history:
Received 15 November 2016
Revised 12 April 2017
Accepted 14 April 2017
Available online 18 April 2017


Keywords:
Breast Imaging Reporting and Data System
(BI-RADS)
Information extraction
Natural language processing
Imaging informatics
Machine learning

تحلیل اتوماتیک و طبقه بندی داده ها به وسیله BI-RADS از گزارش های رادیولوژی

کلید واژه ها:

گزارش تصویربرداری پستان و سیستم داده (BI-RADS)

استخراج اطلاعات

پردازش زبان طبیعی

تصویربرداری انفورماتیک

یادگیری خودکار

چکیده

گزارش تصویربرداری پستان و سیستم داده ها (BI-RADS) به منظور کاهش تغییرات در تصمیم گیری ها توسعه داده شده. تجزیه و تحلیل دستی از داده های گزارش رادیولوژی سینه،چالش برانگیز و مشکل است ،اما برای فعالیت های تضمین کیفیت بالینی و مراقبت های بهداشتی ضروری است.

هدف از این مقاله، توسعه یک سیستم پردازش زبان طبیعی (NLP)، برای استخراج خودکار داده ها از گزارش های رادیولوژی سینه است(BI-RADS). ما یک الگوریتم مبتنی بر قانون موجودرا بررسی میکنیم و سپس توسعه وپیشرفت روش خود را با استفاده از یک دستگاه و رویکرد یادگیری با نظارت مورد ارزیابی قرار میدهیم.

طبقه بندی BI-RADS به دو وظایف زیر تقسیم می شوند:

(1) تفسیر و تحلیل داده ها ی موجود در گزارشات.

(2) طبقه بندی داده های موجود در گزارشات (BI-RADS).

ما برای مورد اول از یک الگوریتم و برای مورد دوم از سه الگوریتم استفاده میکنیم. در ارزیابی و

و تحلیل ها ، در مجموع از 2159 گزارش رادیولوژی که از 18 بیمارستان در سالهای 2003 تا 2015 بوده،مورد استفاده قرارداده ایم.

ارزیابی های فعلی با استفاده از الگوریتم های مبتنی برقواعد موجودرضایت بخش نیست. فیلدهای تصادفی شرطی در F-1 معیار از 0.95 قانون از الگوریتم موجود، نشان دهنده کارایی مورد اول است. و قوانین سه الگوریتم موجود نشان میدهد که بررسی های درخت تصمیم گیری جزئی در F-1 معیار 0.91 (برای 6-0 مورد)، و 0.93 برای 5-3 مورد کارایی دارد. عملکرد طبقه بندی داده ها توسط کلاس ها نشان دهنده بهبود آن در تمامی کلاس ها Naïve Bayes است، کلاس هایی که از ماشین بردار پشتیبانی (SVM) و یا بخشی از آن پشتیبانی می کنند.

سیستم ما قادر به تحلیل و طبقه بندی همه داده های (BI-RADS)که مربوط به رادیولوژی است، و می تواند به عنوان پایه و اساس پژوهش های آینده که به موضوع تحلیل و طبقه بندی خودکارمی پردازند قرار بگیرد ، و می تواند بازخورد خوبی به رادیولوژیست ها که به عنوان بخشی از یک حلقه نظام سلامت یادگیری خدمت هستند، قرار بگیرد.

این مقاله توسط الزویر با دسترسی آزاد و تحت مجوز CC BY-NC-ND درسال2017 به چاپ رسیده است.