[论文解读] A Scalable Machine Learning Approach for Inferring Probabilistic US-LI-RADS Categorization

Imon Banerjee, Hailey H. Choi+2 more|arXiv (Cornell University)|Jun 15, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 16被引用 7

一句话总结

本文提出了一种可扩展的机器学习模型，无需人工标注数据即可从非结构化放射科报告中推断概率性 US-LI-RADS 分类。通过利用从模板化报告中自动提取的结构化 LI-RADS 评分，该模型将知识迁移至非结构化报告，从而实现肝细胞癌筛查和治疗规划的大规模标准化，并通过自动化文本挖掘支持人工智能驱动的研究。

ABSTRACT

We propose a scalable computerized approach for large-scale inference of Liver Imaging Reporting and Data System (LI-RADS) final assessment categories in narrative ultrasound (US) reports. Although our model was trained on reports created using a LI-RADS template, it was also able to infer LI-RADS scoring for unstructured reports that were created before the LI-RADS guidelines were established. No human-labelled data was required in any step of this study; for training, LI-RADS scores were automatically extracted from those reports that contained structured LI-RADS scores, and it translated the derived knowledge to reasoning on unstructured radiology reports. By providing automated LI-RADS categorization, our approach may enable standardizing screening recommendations and treatment planning of patients at risk for hepatocellular carcinoma, and it may facilitate AI-based healthcare research with US images by offering large scale text mining and data gathering opportunities from standard hospital clinical data repositories.

研究动机与目标

• 开发一种可扩展的自动化方法，从叙述性超声报告中推断 LI-RADS 最终评估分类。
• 实现在标准化 LI-RADS 指南实施之前生成的非结构化报告上的 LI-RADS 分类推断。
• 通过使用从模板化报告中自动提取的结构化评分，消除对人工标注训练数据的需求。
• 通过在临床数据存储库中对筛查和治疗建议进行标准化，支持大规模数据挖掘和人工智能研究。
• 促进放射科文本数据与基于人工智能的肝细胞癌管理医疗系统集成。

提出的方法

• 该模型使用基于包含结构化 LI-RADS 评分的放射科报告训练的机器学习流程，这些评分从模板化报告中自动提取。
• 应用自然语言处理技术识别并映射相关影像学特征和发现至 LI-RADS 标准。
• 采用迁移学习方法，使模型能够将来自结构化报告的知识泛化至非结构化报告，即使后者早于 LI-RADS 指南发布。
• 系统输出概率性 LI-RADS 分类，反映报告解读中不确定性和临床变异性。
• 在训练或推理的任何阶段均未使用人工标注数据，完全依赖于从现有报告中自动提取的评分。
• 该方法设计用于在大型医院电子健康记录系统和临床数据存储库中实现可扩展性。

实验结果

研究问题

• RQ1 机器学习模型能否在无需人工标注训练数据的情况下，从未结构化的超声报告中推断 LI-RADS 分类？
• RQ2 在结构化模板化报告上训练的模型，能在多大程度上泛化至早期临床实践中产生的非结构化报告？
• RQ3 从报告中自动提取结构化 LI-RADS 评分，能在多大程度上支持对非结构化文本的下游推断？
• RQ4 可扩展的 NLP 流程能否实现肝细胞癌筛查和治疗规划的大规模标准化？
• RQ5 此类系统在支持基于超声影像数据的人工智能研究方面是否可行？

主要发现

• 该模型成功从未结构化的超声报告中推断出概率性 LI-RADS 分类，且无需任何人工标注数据。
• 模型在从结构化报告向非结构化报告泛化方面表现有效，包括在 LI-RADS 指南发布之前生成的报告。
• 该方法实现了大规模、自动化的放射科报告分类，支持肝细胞癌筛查和治疗中的标准化。
• 通过利用自动提取的结构化评分，该方法避免了在模型训练中产生高昂的人工标注成本。
• 该系统通过实现对现有临床数据存储库中大规模文本挖掘，为人工智能驱动的研究提供了可扩展的基础。
• 模型的概率性输出通过反映影像学解读中的不确定性，支持临床决策制定。