让机器“读懂”放射学报告

在Qure，我们建立了深度学习模型来检测放射影像中的异常。这些模型需要大量的标记数据来学习诊断异常。因此，我们从医院和门诊放射中心收集了一个大型数据集。这些数据集包含相关的临床放射学报告。

目前，当我们训练深度学习算法以识别放射学图像的异常情况时，我们使用放射科的医师报告作为最佳标准。这是目前最好的方式，因为这可以提供以百万计的图像以实现高精度的分类算法。 这些报告通常以自由格式文本而不是结构化格式编写。所以，为了从这些非结构化报告中自动提取结果，我们设计了一个基于规则的自然语言处理（NLP）系统。如下所示：

CT SCAN BRAIN - PLAIN STUDY
Axial ct sections of the brain were performed from the level of base of skull. 5mm sections were done for the posterior fossa and 5 mm sections for the supra sellar region without contrast.
 
OBSERVATIONS: 
- Area of intracerebral haemorrhage measuring 16x15mm seen in left gangliocapsular region and left corona radiate.
- Minimal squashing of left lateral ventricle noted without any appreciable midline shift- Lacunar infarcts seen in both gangliocapsular regions
- Cerebellar parenchyma is normal.
- Fourth ventricle is normal in position and caliber. 
- The cerebellopontine cisterns, basal cisterns and sylvian cisterns appear normal.
- Midbrain and pontine structures are normal.
- Sella and para sellar regions appear normal.
- The grey-white matter attenuation pattern is normal.
- Calvarium appears normal
- Ethmoid and right maxillary sinusitis noted
 
IMPRESSION:
- INTRACEREBRAL HAEMORRHAGE IN LEFT GANGLIOCAPSULAR REGION AND LEFT CORONA RADIATA 
- LACUNAR INFARCTS IN BOTH GANGLIOCAPSULAR REGIONS

这是一篇简短的放射学报告，从中我们可以提取如下结果：

{
     "intracerebral hemorrhage": true,     "lacunar infarct": true,     "mass effect": true,     "midline shift": false,     "maxillary sinusitis": true}

为什么是基于规则的NLP系统？

基于规则的NLP系统可以解析无组织内容并对其进行组织。另一方面，基于机器学习（ML）的NLP系统则在大型数据集上训练时自动生成规则。 与基于ML的方法相比，基于规则的NLP系统具有多重优势： 1.临床知识可以手动合并到基于规则的NLP系统中。然而，在基于ML的NLP系统中捕获这些知识，需要大量的注释。 2.基于ML的NLP系统自动生成的规则难以解释。 3.基于规则的NLP系统可以容易地添加或修改，以适应系统中新目标的发现。4.以往的临床报告分析报告表明，基于ML的NLP系统的结果不如基于规则的NLP系统。 基于规则的NLP开发 由于从多个中心收集了报告，因此有多个报告标准。因此，我们在手动读取大量报告后构建了一组规则来捕获这些变化。其中，我举两种常见的规则类型例子： 1.发现检测 在报告中，同样的发现可以用几种不同的格式来记录，这些包括同义词的定义。例如，blunted CP angle可以通过以下任一方式表示： 1.CP angle is obliterated 2.Hazy costophrenic angles 3.Obscured CP angle 4.Effusion/thickening 我们收集了可用于报告调查结果的所有措辞，并为每项调查结果制定了一条规则。以下是blunted CP angle的规则。 ((angle & (blunt | obscur | oblitera | haz | opaci)) | (effusio & thicken))

如果在一个句子中有angle 、blunted、effusion和thickening 或其同义词，则该句子将满足这个规则。 另外，研究结果可以有一个层次结构。例如，如有任何像edema, groundglass, consolidation等其他近似blunted CP angle的病理情况都可以被认为满足规则。因此，我们还创建了一个关于处理这个层次结构的规则。

[opacity] rule = ((opacit & !(/ & collapse)) | infiltrate | hyperdensit) hierarchy = (edema | groundglass | consolidation | ... )

2.否定检测 上述规则用于检测报告中的发现。但这些不足以理解报告。例如，考虑以下句子： 1. Intracerebral hemorrhage is absent. 2. Contusions are ruled out. 3. No evidence of intracranial hemorrhages in the brain. 虽然intracerebral hemorrhage, contusion 和intracranial hemorrhage等词语都是在上述句子中提到的。但是它们是不确定的，实际上应该不满足上述我们提到的规则，可是由于存在相应的关键字，会造成干扰。因此，除了发现之外，我们还需要否定一些句子。 我们手动读取几个表示否定的句子，并根据它们的结构对这些句子进行分组。检测否定的规则是基于这些句子创建的。其中一个如下所示：

(<finding>) & ( is | are | was | were ) & (absent | ruled out | unlikely | negative)

我们可以看到上述例子的第一句和第二句与这条规则相符，因此我们可以推断出这些句子是否定的。 Intracerebral hemorrhage is absent ⟶ intracerebral hemorrhage negative. Contusions are ruled out ⟶ contusion negative. 结果： 我们在一个数据集上测试了我们的算法， 其中包含1878份头部 CT 扫描的临床放射学报告。我们手动阅读所有的报告用来创造最佳标准。我们用灵敏度和特异性作为评价指标。所得结果如下表所示。

在本文中，作者使用基于ML的NLP模型来提取头部CT临床放射学报告的结果。他们报告的平均敏感度和平均特异度分别为0.9025和0.9172。在评估的目标结果相同的情况下，我们使用基于规则的NLP算法，报告的平均敏感度和平均特异度分别为0.9841和0.9956。因此，我们可以总结基于规则的NLP算法在临床报告上比基于ML的NLP算法表现更好。