摘要：利用基于规则的NLP系统让机器"读懂"放射学报告，准确率比基于机器学习的NLP系统要高。

在Qure，我们建立了深度学习模型来检测放射影像中的异常。这些模型需要大量的标记数据来学习诊断异常。因此，我们从医院和门诊放射中心收集了一个大型数据集。这些数据集包含相关的临床放射学报告。

目前，当我们训练深度学习算法以识别放射学图像的异常情况时，我们使用放射科的医师报告作为最佳标准。这是目前最好的方式，因为这可以提供以百万计的图像以实现高精度的分类算法。

这些报告通常以自由格式文本而不是结构化格式编写。所以，为了从这些非结构化报告中自动提取结果，我们设计了一个基于规则的自然语言处理（NLP）系统。如下所示：

这是一篇简短的放射学报告，从中我们可以提取如下结果：

为什么是基于规则的NLP系统？

基于规则的NLP系统可以解析无组织内容并对其进行组织。另一方面，基于机器学习（ML）的NLP系统则在大型数据集上训练时自动生成规则。

与基于ML的方法相比，基于规则的NLP系统具有多重优势：

1.临床知识可以手动合并到基于规则的NLP系统中。然而，在基于ML的NLP系统中捕获这些知识，需要大量的注释。

2.基于ML的NLP系统自动生成的规则难以解释。

3.基于规则的NLP系统可以容易地添加或修改，以适应系统中新目标的发现。4.以往的临床报告分析报告表明，基于ML的NLP系统的结果不如基于规则的NLP系统。

基于规则的NLP开发

由于从多个中心收集了报告，因此有多个报告标准。因此，我们在手动读取大量报告后构建了一组规则来捕获这些变化。其中，我举两种常见的规则类型例子：

1.发现检测

在报告中，同样的发现可以用几种不同的格式来记录，这些包括同义词的定义。例如，blunted CP angle可以通过以下任一方式表示：

1.CP angle is obliterated

2.Hazy costophrenic angles

3.Obscured CP angle

4.Effusion/thickening

我们收集了可用于报告调查结果的所有措辞，并为每项调查结果制定了一条规则。以下是blunted CP angle的规则。

如果在一个句子中有angle 、blunted、effusion和thickening 或其同义词，则该句子将满足这个规则。

另外，研究结果可以有一个层次结构。例如，如有任何像edema, groundglass, consolidation等其他近似blunted CP angle的病理情况都可以被认为满足规则。因此，我们还创建了一个关于处理这个层次结构的规则。

2.否定检测

上述规则用于检测报告中的发现。但这些不足以理解报告。例如，考虑以下句子：

1. Intracerebral hemorrhage is absent.

2. Contusions are ruled out.

3. No evidence of intracranial hemorrhages in the brain.

虽然intracerebral hemorrhage, contusion 和intracranial hemorrhage等词语都是在上述句子中提到的。但是它们是不确定的，实际上应该不满足上述我们提到的规则，可是由于存在相应的关键字，会造成干扰。因此，除了发现之外，我们还需要否定一些句子。

我们手动读取几个表示否定的句子，并根据它们的结构对这些句子进行分组。检测否定的规则是基于这些句子创建的。其中一个如下所示：

我们可以看到上述例子的第一句和第二句与这条规则相符，因此我们可以推断出这些句子是否定的。

Intracerebral hemorrhage is absent ⟶ intracerebral hemorrhage negative.

Contusions are ruled out ⟶ contusion negative.

结果：

我们在一个数据集上测试了我们的算法，其中包含1878份头部 CT 扫描的临床放射学报告。我们手动阅读所有的报告用来创造最佳标准。我们用灵敏度和特异性作为评价指标。所得结果如下表所示。

在本文中，作者使用基于ML的NLP模型来提取头部CT临床放射学报告的结果。他们报告的平均敏感度和平均特异度分别为0.9025和0.9172。在评估的目标结果相同的情况下，我们使用基于规则的NLP算法，报告的平均敏感度和平均特异度分别为0.9841和0.9956。因此，我们可以总结基于规则的NLP算法在临床报告上比基于ML的NLP算法表现更好。

原文链接

阅读更多干货好文，请关注扫描以下二维码：