متن و ترجمه تحلیل اتوماتیک و طبقه بندی داده ها به وسیله BI-RADS از گزارش های رادیولوژی
متن و ترجمه تحلیل اتوماتیک و طبقه بندی داده ها به وسیله BI-RADS از گزارش های رادیولوژی
کلید واژه ها:
گزارش تصویربرداری پستان و سیستم داده (BI-RADS)
استخراج اطلاعات
پردازش زبان طبیعی
تصویربرداری انفورماتیک
یادگیری خودکار
چکیده
گزارش تصویربرداری پستان و سیستم داده ها (BI-RADS) به منظور کاهش تغییرات در تصمیم گیری ها توسعه داده شده. تجزیه و تحلیل دستی از داده های گزارش رادیولوژی سینه،چالش برانگیز و مشکل است ،اما برای فعالیت های تضمین کیفیت بالینی و مراقبت های بهداشتی ضروری است.
هدف از این مقاله، توسعه یک سیستم پردازش زبان طبیعی (NLP)، برای استخراج خودکار داده ها از گزارش های رادیولوژی سینه است(BI-RADS). ما یک الگوریتم مبتنی بر قانون موجودرا بررسی میکنیم و سپس توسعه وپیشرفت روش خود را با استفاده از یک دستگاه و رویکرد یادگیری با نظارت مورد ارزیابی قرار میدهیم.
طبقه بندی BI-RADS به دو وظایف زیر تقسیم می شوند:
(1) تفسیر و تحلیل داده ها ی موجود در گزارشات.
(2) طبقه بندی داده های موجود در گزارشات (BI-RADS).
ما برای مورد اول از یک الگوریتم و برای مورد دوم از سه الگوریتم استفاده میکنیم. در ارزیابی و
و تحلیل ها ، در مجموع از 2159 گزارش رادیولوژی که از 18 بیمارستان در سالهای 2003 تا 2015 بوده،مورد استفاده قرارداده ایم.
ارزیابی های فعلی با استفاده از الگوریتم های مبتنی برقواعد موجودرضایت بخش نیست. فیلدهای تصادفی شرطی در F-1 معیار از 0.95 قانون از الگوریتم موجود، نشان دهنده کارایی مورد اول است. و قوانین سه الگوریتم موجود نشان میدهد که بررسی های درخت تصمیم گیری جزئی در F-1 معیار 0.91 (برای 6-0 مورد)، و 0.93 برای 5-3 مورد کارایی دارد. عملکرد طبقه بندی داده ها توسط کلاس ها نشان دهنده بهبود آن در تمامی کلاس ها Naïve Bayes است، کلاس هایی که از ماشین بردار پشتیبانی (SVM) و یا بخشی از آن پشتیبانی می کنند.
سیستم ما قادر به تحلیل و طبقه بندی همه داده های (BI-RADS)که مربوط به رادیولوژی است، و می تواند به عنوان پایه و اساس پژوهش های آینده که به موضوع تحلیل و طبقه بندی خودکارمی پردازند قرار بگیرد ، و می تواند بازخورد خوبی به رادیولوژیست ها که به عنوان بخشی از یک حلقه نظام سلامت یادگیری خدمت هستند، قرار بگیرد.
این مقاله توسط الزویر با دسترسی آزاد و تحت مجوز CC BY-NC-ND درسال2017 به چاپ رسیده است.
نتیجه گیری
نتیجه اینکه،ما یک NLPکامل وسیستم های پردازش خودکار،تحلیل،BI-RADS و طبقه بندی را با استفاده از یک رویکرد جدید را توسعه داده ایم
طبقه بندی BI-RADS با بخش نشان دار عملکرد بسیارخوبی بجا گذاشت و در تمام طبقات سمت سازگار بود.
سیستم ماقادر به ارایه یک لیست مفصل از دسته BI-RADS از یک گزارش رادیولوژی حاضر هست.
این کار فراهم کننده یک پایه محکم برای مطالعات آینده است، که اهرم خواهد شد بصورت خودکاردرمشخصه های BI-RADS برای ارائه بازخورد به رادیولوژیست به عنوان بخشی از آموزش سلامت درسیستم حلقه است.
