[论文解读] Interpretation of Mammogram and Chest Radiograph Reports using Deep Neural Networks - Preliminary Results.

Hojjat Salehinejad, Joseph Barfett+4 more|arXiv (Cornell University)|Aug 24, 2017

AI in cancer detection参考文献 28被引用 8

一句话总结

本研究提出一种双向卷积神经网络（Bi-CNN），用于通过分类乳腺密度和胸部病理分别解读乳腺X线摄影和胸部X光摄影报告。该模型优于随机森林和支持向量机等传统方法，在放射学报告分析方面表现出更高的准确性，有助于放射学数据库管理和诊断审计。

ABSTRACT

Radiology reports are an important means of communication between radiologists and other physicians. These reports express a radiologist's interpretation of a medical imaging examination and are critical in establishing a diagnosis and formulating a treatment plan. In this paper, we propose a Bi-directional convolutional neural network (Bi-CNN) model for the interpretation and classification of mammograms based on breast density and chest radiographic radiology reports based on the basis of chest pathology. The proposed approach helps to organize databases of radiology reports, retrieve them expeditiously, and evaluate the radiology report that could be used in an auditing system to decrease incorrect diagnoses. Our study revealed that the proposed Bi-CNN outperforms the random forest and the support vector machine methods.

研究动机与目标

• 开发一种基于深度学习的自动化系统，用于解读放射学报告。
• 根据乳腺密度对乳腺X线摄影进行分类，根据潜在病理对胸部X光摄影进行分类。
• 改善临床数据库中放射学报告的组织与检索。
• 通过识别报告解读中的不一致或错误，支持诊断审计。
• 在分类任务中超越传统的机器学习模型（如随机森林和SVM）

提出的方法

• 使用双向卷积神经网络（Bi-CNN）处理来自放射学报告的序列文本数据。
• 该模型从报告文本的正向和反向两个方向捕捉上下文特征。
• 输入报告在输入Bi-CNN之前被分词并嵌入为密集向量表示。
• 网络端到端训练，将报告分类到预定义类别：乳腺X线摄影的乳腺密度和胸部X光摄影的病理。
• 使用标准分类指标评估性能，并将Bi-CNN与随机森林和支持向量机进行比较。
• 该架构能够联合学习放射学报告文本中的局部与长距离依赖关系。

实验结果

研究问题

• RQ1 Bi-CNN模型能否有效根据乳腺密度对乳腺X线摄影报告进行分类？
• RQ2 同一模型能否准确根据潜在病理对胸部X光摄影报告进行分类？
• RQ3 在放射学报告解读中，Bi-CNN的性能与随机森林和SVM等传统机器学习模型相比如何？
• RQ4 该模型在多大程度上可支持放射学报告在数据库中的高效组织与检索？
• RQ5 该模型能否通过自动化放射学报告审计，有助于减少诊断错误？

主要发现

• 所提出的Bi-CNN模型在分类准确性方面优于随机森林和支持向量机模型。
• 该模型在乳腺密度分类方面成功解读了乳腺X线摄影报告，性能得到提升。
• 该模型能有效根据潜在病理对胸部X光摄影报告进行分类。
• Bi-CNN在捕捉放射学报告文本中的上下文模式方面表现出更优能力。
• 该模型支持临床数据库中放射学报告的组织与检索。
• 结果表明，该模型有潜力集成到审计系统中，以减少诊断错误。