放射線学レポートからの自動コンテキスト化された推奨抽出

推奨事項は、放射線レポートの重要な要素です。推奨事項を自動的に抽出すると、推奨追跡、品質改善、大規模な記述研究などのタスクが促進されます。既存のレポート包帯システムは、フォローアップイメージング研究の推奨事項に限定され、個々の推奨レベルではなく文または文書レベルで動作し、重要なコンテキスト化情報を抽出しないでください。あらゆる種類の放射線レポートから完全にコンテキスト化された推奨事項を抽出できるニューラルネットワークアーキテクチャを提示します。推奨事項、期間、理由、条件、強さ、否定という推奨に関連するコンテキストの大部分をキャプチャするために必要な6つの主要な「質問」を特定しました。質問が他の質問への回答を参照できるようにすることにより、統一されたタスク表現を開発しました。私たちの表現により、単一のシステムが名前付きエンティティ認識（NER）および分類タスクを実行できます。私たちは、すべての専門分野からの2272の放射線レポート、イメージングモダリティ、および当社の機関全体の複数の病院からの注釈を付けました。6質問タスクに関する長期的なメモリ（LSTM）アーキテクチャのパフォーマンスを評価しました。シングルタスクLSTMモデルは、推奨抽出時に89.2％のトークンレベルのパフォーマンスを達成し、修正機能の抽出で85〜95％F1のトークンレベルのパフォーマンスを実現します。私たちのモデルは、フォローアップイメージング、組織生検、臨床的相関など、あらゆる種類の推奨事項を抽出し、リアルタイムで動作できます。任意の放射線レポートからすべてのタイプの完全なコンテキスト化された推奨事項を抽出することが可能です。このアプローチは、放射線学的所見や診断など、放射線レポートで参照されている他の臨床エンティティに一般化できる可能性があります。

Recommendations are a key component of radiology reports. Automatic extraction of recommendations would facilitate tasks such as recommendation tracking, quality improvement, and large-scale descriptive studies. Existing report-parsing systems are frequently limited to recommendations for follow-up imaging studies, operate at the sentence or document level rather than the individual recommendation level, and do not extract important contextualizing information. We present a neural network architecture capable of extracting fully contextualized recommendations from any type of radiology report. We identified six major "questions" necessary to capture the majority of context associated with a recommendation: recommendation, time period, reason, conditionality, strength, and negation. We developed a unified task representation by allowing questions to refer to answers to other questions. Our representation allows for a single system to perform named entity recognition (NER) and classification tasks. We annotated 2272 radiology reports from all specialties, imaging modalities, and multiple hospitals across our institution. We evaluated the performance of a long short-term memory (LSTM) architecture on the six-question task. The single-task LSTM model achieves a token-level performance of 89.2% at recommendation extraction, and token-level performances between 85 and 95% F1 on extracting modifying features. Our model extracts all types of recommendations, including follow-up imaging, tissue biopsies, and clinical correlation, and can operate in real time. It is feasible to extract complete contextualized recommendations of all types from arbitrary radiology reports. The approach is likely generalizable to other clinical entities referenced in radiology reports, such as radiologic findings or diagnoses.