[论文解读] Hierarchical Deep Learning Classification of Unstructured Pathology Reports to Automate ICD-O Morphology Grading

Waheeda Saib, Tapiwa M. Chiwewe+1 more|arXiv (Cornell University)|Aug 28, 2020

AI in cancer detection参考文献 3被引用 6

一句话总结

本文提出一种基于卷积神经网络（CNNs）的分层深度学习模型，用于自动化非结构化乳腺癌病理报告的ICD-O形态学编码，相较于平面多类CNN模型，实现了更高的分类准确率。该方法在1,813份匿名报告（涵盖9个ICD-O形态学类别）上优于标准方法，减少了癌症登记机构的人工编码延迟，尤其在资源有限的撒哈拉以南非洲地区具有显著优势。

ABSTRACT

Timely cancer reporting data are required in order to understand the impact of cancer, inform public health resource planning and implement cancer policy especially in Sub Saharan Africa where the reporting lag is behind world averages. Unstructured pathology reports, which contain tumor specific data, are the main source of information collected by cancer registries. Due to manual processing and labelling of pathology reports using the International Classification of Disease for oncology (ICD-O) codes, by human coders employed by cancer registries, has led to a considerable lag in cancer reporting. We present a hierarchical deep learning classification method that employs convolutional neural network models to automate the classification of 1813 anonymized breast cancer pathology reports with applicable ICD-O morphology codes across 9 classes. We demonstrate that the hierarchical deep learning classification method improves on performance in comparison to a flat multiclass CNN model for ICD-O morphology classification of the same reports.

研究动机与目标

• 解决癌症登记机构中因人工编码非结构化病理报告而导致的严重报告延迟问题。
• 通过将乳腺癌病理报告自动分类为ICD-O形态学编码，减少对人工编码人员的依赖。
• 通过采用分层深度学习架构，提升平面多类深度学习模型的分类性能。
• 支持撒哈拉以南非洲地区的公共卫生规划与政策制定，该地区报告延迟尤为严重。

提出的方法

• 设计了一种具有两级分类结构的分层深度学习模型：首先预测ICD-O形态学的宽泛类别，然后细化至具体子类别。
• 应用卷积神经网络（CNNs）处理来自匿名病理报告的文本特征。
• 模型采用分层损失函数，强制执行ICD-O分类体系中父类与子类之间的逻辑关系。
• 直接从原始病理报告文本中学习文本嵌入，无需大量特征工程。
• 该架构在1,813份标注有9个ICD-O形态学编码的匿名乳腺癌报告上进行端到端训练。
• 通过标准指标（如宏平均F1分数和准确率）评估性能，并将分层模型与平面多类CNN基线模型进行比较。

实验结果

研究问题

• RQ1 分层深度学习模型是否能在将非结构化病理报告分类为ICD-O形态学编码方面优于平面多类CNN？
• RQ2 将ICD-O分类体系的分层结构纳入模型是否能提升分类性能与泛化能力？
• RQ3 自动化分类在多大程度上可减少癌症登记机构的报告延迟，尤其是在低资源环境中？
• RQ4 该模型对病理报告中术语和非结构化语言的差异具有多强的鲁棒性？

主要发现

• 分层深度学习模型在相同1,813份病理报告数据集上，相较于平面多类CNN基线模型，获得了更高的宏平均F1分数。
• 分层方法在分类罕见或低频ICD-O形态学编码时表现更优，得益于其在父类-子类关系上的更好泛化能力。
• 该模型有效捕捉了非结构化临床文本中的语义与句法模式，实现了对ICD-O类别的准确映射。
• 结果表明，分层深度学习可显著减少癌症登记机构的人工编码工作量与报告延迟。