CN111145854B - 一种基于主题模型的胸部x光片诊断报告异常检测方法 - Google Patents

一种基于主题模型的胸部x光片诊断报告异常检测方法 Download PDF

Info

Publication number
CN111145854B
CN111145854B CN201911321745.7A CN201911321745A CN111145854B CN 111145854 B CN111145854 B CN 111145854B CN 201911321745 A CN201911321745 A CN 201911321745A CN 111145854 B CN111145854 B CN 111145854B
Authority
CN
China
Prior art keywords
diagnosis
feature
conclusion
entity
report
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911321745.7A
Other languages
English (en)
Other versions
CN111145854A (zh
Inventor
黄青松
殷宁波
尤诚诚
刘利军
冯旭鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201911321745.7A priority Critical patent/CN111145854B/zh
Publication of CN111145854A publication Critical patent/CN111145854A/zh
Application granted granted Critical
Publication of CN111145854B publication Critical patent/CN111145854B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明涉及一种基于主题模型的胸部X光片诊断报告异常检测方法，属于计算机自然语言处理技术领域。本发明首先根据诊断报告自身特性提出了基于LSTM‑CRF模型进行诊断报告的实体抽取；然后依据领域知识和模板将诊断报告进行有效的特征扩展，缓解数据稀疏问题；利用改进的LDA模型得到影像描述和诊断结论这两种诊断报告的实例主题分布；通过计算比较影像描述实体和诊断结论实体得到的实例主题分布是否匹配，就能用来检测异常诊断报告；本发明的检测准确率高。

Description

一种基于主题模型的胸部X光片诊断报告异常检测方法
技术领域
本发明涉及一种基于主题模型的胸部X光片诊断报告异常检测方法，属于计算机自然语言处理技术领域。
背景技术
胸部X光片是患者胸部检查的优先选择，对患者的诊断治疗起着重要的作用。医生依据自身的经验和习惯书写胸部X光片诊断报告，诊断报告核心的内容是影像描述和诊断结论，这两部分是辅助医生诊断和患者治疗的重要参考，也是用于诊断报告异常检测的关键信息。医生书写诊断报告具有相当大的主观性，有可能会因为经验不足或疲劳而产生影像描述内容的解读错误，使一些疾病漏诊，误诊。另外诊断报告中影像所见部分描述自由，多为医疗惯例描述语言，复杂的影像描述内容，也可能影响医生的鉴别诊断，得出错误的诊断结论。筛选出这些异常的诊断报告，首先可以减少疾病误诊率，为临床医生的诊断治疗，提供更准确有效的参考。其次，为建立规范化的医疗检查体系和实现高效精准的医疗服务提供了基础。最后，增强医院的管理水平，监督考察医疗工作者的技术素养。所以，对诊断报告进行异常检测方法的研究意义重大。传统的异常检测方法都是为了找出不满足规则和期望的样本。目前在医疗领域出现了大量的异常检测方法用于检测医疗保险记录，医疗处方等医疗数据。有监督的异常检测方法，首先通过大量高质量的人工标注数据，利用传统的分类方法，找出异常类别的数据。传统的有监督检测，异常点检测，上下文异常检测等方法检测异常诊断报告效果不佳。由于缺乏有效的标注数据，诊断报告不适用于有监督的检测方法。诊断报告文本描述自由，一些影像描述的症状或者疾病出现较少，但不能归为异常，所以异常点检测会出现偏差。诊断报告数据高维稀疏，通过传统的映射函数进行上下文的特征匹配，效果不佳。
诊断报告中的诊断结论是根据影像描述得到的，影像描述中的症状实体与诊断中的结论实体存在特有的语义信息和对应关系。诊断报告中存在大量的专业术语，如果不进行实体的抽取，直接以字符或者词语特征进行训练，输入特征就会失去原有的语义信息和对应关系。如：影像描述中的“双侧膈肌光滑，双肋膈角锐利”对应结论中的“膈无异常”，分成字符或词语就失去了原有的语义信息和对应关系。通过计算这两类实体之间的对应关系是否成立，就可以判断该诊断报告影像描述与诊断结论是否匹配，既可以检测该诊断报告是否异常。
发明内容
本发明提供了一种基于主题模型的胸部X光片诊断报告异常检测方法，用于提高实体提取的效果、缓解了特征稀疏的问题、取得很好的检测识别效果。
本发明的技术方案是：一种基于主题模型的胸部X光片诊断报告异常检测方法，所述方法的具体步骤如下：
Step1、诊断报告实体抽取：诊断报告核心的内容是影像描述和诊断结论，根据诊断报告自身特性提出了基于LSTM-CRF模型进行诊断报告的实体抽取；
Step2、实体特征扩展补充：将Step1中抽取的实体进行特征扩展和补充，并将诊断的性质加入结论部分，并与影像描述中的症状实体进行匹配；
Step3、诊断报告异常检测：利用改进的LDA模型得到影像描述和诊断结论这两种诊断报告的实例主题分布；
Step4、特征匹配得出结论：通过计算比较影像描述实体和诊断结论实体得到的实例主题分布是否匹配，就能用来检测异常诊断报告。
进一步地，所述步骤Step1的具体步骤如下：
Step1.1、以字符基本特征结合诊断报告特有的实体后缀特征，生成表示其类型的字嵌入向量；解决了未登录词过多的问题，减少分词带来的负面影响，并且结合症状实体和疾病实体的字符特级征，对诊断报告中较长实体的识别，取得了很好的效果。
Step1.2、把Step1.1得出的字嵌入向量输入BI-LSTM神经网络层，得到序列中字符标签的分布矩阵；
Step1.3、根据Step1.2输出的标签概率分布，利用CRF层的序列标注功能预测出最优的序列组合，完成对诊断报告实体进行抽取。
进一步地，所述步骤Step2的具体步骤如下：
Step2.1、特征扩展：诊断报告中存在较多并列描述，将这些并列实体分开描述如“双肺纹理增强，紊乱”改为“双肺纹理增强”和“双肺纹理紊乱”；“心脏大小形态无异常”改为“心脏大小无异常”和“心脏形态无异常”；通过特征扩展能大大丰富特征信息；缓解数据稀疏问题；
Step2.2、特征补充：诊断结论主要突出表征的是影像描述中的异常，主要给出异常结论，很多正常的影像描述没有给出相应的结论，这是造成诊断结论简短的一个主要原因；对于胸部X光片，当地医院和在线医疗网站都有对应的参考模板，诊断报告中的结论都有着与之相对应的规范描述；依据这些模板对诊断报告中的正常结论进行补充；大大缓解了诊断结论特征稀疏，主题提取困难的问题；
Step2.3、将诊断的性质即阴阳性加入结论部分，并与影像描述中的症状实体进行匹配。
进一步地，所述步骤Step3的具体步骤如下：
Step3.1、利用改进的LDA模型，对同一个实例分为两个部分进行采样，得到每一份实例(胸片诊断报告)的A类(影像描述)特征和B类(诊断结论)特征；该模型既能够挖掘上下两部分潜在的特征主题，又能够将上下两部分进行关联，得到具有对应关系的主题；
Step3.2、由Step3.1抽取到的影像描述和诊断结论两类特征语义相似，并且两类主题分布能进行关联分析最后得到影像描述和诊断结论之间的对应关系。
进一步地，所述改进的LDA模型；首先通过以共同的参数α得到每一份诊断报告实例共同的主题分布θ，然后分为两部分进行主题建模和求解，分别以βA和βB为参数得到影像描述部分的特征分布
Figure BDA0002327330120000031
和诊断结论部分的特征分布
Figure BDA0002327330120000032
基于以上参数信息得到每一份实例胸片诊断报告的A类影像描述特征和B类诊断结论特征；
改进的LDA模型参数包括参数α、βA和βB求解使用吉布斯采样方法，对同一个实例分为两个部分A类影像描述特征和B类诊断结论特征进行采样，两者有着相同的求解过程；以A类影像描述特征为例，计算实例d中A类影像描述特征w属于主题t的概率，即A类影像描述类实体特征在该LDA模型上的实例主题分布为：
Figure BDA0002327330120000033
其中，标记为主题t的所有A类影像描述特征中，特征w的比重为：
Figure BDA0002327330120000034
其中，实例d标记为主题t的特征在所有特征中的比重：
Figure BDA0002327330120000035
zw表示当前的特征项的主题标识，z-w表示A类影像描述特征全部特征去除zw后的主题标识，VA表示A类影像描述特征的种类数，K表示主题的数目，N代表矩阵，
Figure BDA0002327330120000036
表示全体实例特征w标记为主题t的个数，
Figure BDA0002327330120000037
表示所有标记为主题t的A类影像描述特征的个数，
Figure BDA0002327330120000041
表示d中所有特征标记为主题k的个数，
Figure BDA0002327330120000042
表示d中所有特征的个数；将诊断报告分为影像描述和诊断结论单独出发进行推断，得到两个诊断报告的实例主题分布。
所述对胸片诊断报告进行特征的扩展和补充中，为进一步解决实体特征较少稀疏、进行主题提取面临挑战这一问题，提出了特征进行特征扩展和特征补充，对诊断报告中的正常结论进行补充，将诊断的性质即阴阳性加入结论部分，并与影像描述中的症状实体进行匹配。
本发明的有益效果是：
1、本发明中的模型以字嵌入向量作为模型的输入，解决了未登录词过多的问题，减少分词带来的负面影响，并且结合症状实体和疾病实体的字符特级征，对诊断报告中较长实体的识别，取得了很好的效果。
2、改进的LDA主题模型，首先通过以共同的参数α得到每一份诊断报告实例共同的主题分布θ，然后分为两部分进行主题建模和求解，分别以βA和βB为参数得到影像描述部分的特征分布
Figure BDA0002327330120000043
和诊断结论部分的特征分布
Figure BDA0002327330120000044
基于以上参数信息可以得到每一份实例(胸片诊断报告)的A类(影像描述)特征和B类(诊断结论)特征。该模型既能够挖掘上下两部分潜在的特征主题，又能够将上下两部分进行关联，得到具有对应关系的主题。
3、胸部X光片诊断报告影像描述中的内容较长，实体特征丰富，利用LDA模型可以很好的进行主题提取。但是一些诊断结论中的实体特征较少稀疏，进行主题提取面临挑战。针对诊断报告的特点，通过以下方式缓解上述问题：将诊断的性质即阴阳性加入结论部分，并与影像描述中的症状实体进行匹配。
综上所述此发明方法的主要改进有(1)针对胸片诊断报告的特点，利用加入后缀特征的双向LSTM-CRF模型，对描述症状实体和诊断结论实体进行提取，提高了实体提取的效果。(2)利用领域知识和模板，对胸片诊断报告进行特征的扩展和补充，一定程度上缓解了特征稀疏的问题。(3)将胸片诊断报告的异常检测，转换为影像症状实体特征与诊断结论实体特征判断能否匹配的问题，利用LDA主题模型来进行异常检测，取得了很好的识别效果。
附图说明
图1为本发明中的流程图。
具体实施方式
实施例1：如图1所示，一种基于主题模型的胸部X光片诊断报告异常检测方法，所述方法的具体步骤如下：
Step1、诊断报告实体抽取：诊断报告核心的内容是影像描述和诊断结论，根据诊断报告自身特性提出了基于LSTM-CRF模型进行诊断报告的实体抽取；
Step2、实体特征扩展补充：将Step1中抽取的实体进行特征扩展和补充，并将诊断的性质加入结论部分，并与影像描述中的症状实体进行匹配；
Step3、诊断报告异常检测：利用改进的LDA模型得到影像描述和诊断结论这两种诊断报告的实例主题分布；
Step4、特征匹配得出结论：通过计算比较影像描述实体和诊断结论实体得到的实例主题分布是否匹配，就能用来检测异常诊断报告。
进一步地，所述步骤Step1的具体步骤如下：
Step1.1、以字符基本特征结合诊断报告特有的实体后缀特征，生成表示其类型的字嵌入向量；解决了未登录词过多的问题，减少分词带来的负面影响，并且结合症状实体和疾病实体的字符特级征，对诊断报告中较长实体的识别，取得了很好的效果。字符级特征分类如下表1所示：
表1为字符级特征分类
Figure BDA0002327330120000051
Step1.2、把Step1.1得出的字嵌入向量输入BI-LSTM神经网络层，得到序列中字符标签的分布矩阵；
Step1.3、根据Step1.2输出的标签概率分布，利用CRF层的序列标注功能预测出最优的序列组合，完成对诊断报告实体进行抽取。表2为本发明诊断报告实体抽取结果对比；
表2为诊断报告实体抽取结果对比
Figure BDA0002327330120000052
Figure BDA0002327330120000061
进一步地，所述步骤Step2的具体步骤如下：
Step2.1、特征扩展：诊断报告中存在较多并列描述，将这些并列实体分开描述如“双肺纹理增强，紊乱”改为“双肺纹理增强”和“双肺纹理紊乱”；“心脏大小形态无异常”改为“心脏大小无异常”和“心脏形态无异常”；通过特征扩展能大大丰富特征信息；
Step2.2、特征补充：诊断结论主要突出表征的是影像描述中的异常，主要给出异常结论，很多正常的影像描述没有给出相应的结论，这是造成诊断结论简短的一个主要原因；对于胸部X光片，当地医院和在线医疗网站都有对应的参考模板，诊断报告中的结论都有着与之相对应的规范描述；依据这些模板对诊断报告中的正常结论进行补充；大大缓解了诊断结论特征稀疏，主题提取困难的问题；诊断报告样本实例特征扩展补充如表3所示：
表3为特征扩展补充
Figure BDA0002327330120000062
Step2.3、将诊断的性质即阴阳性加入结论部分，并与影像描述中的症状实体进行匹配。
进一步地，所述步骤Step3的具体步骤如下：
Step3.1、利用改进的LDA模型，对同一个实例分为两个部分进行采样，得到每一份实例(胸片诊断报告)的A类(影像描述)特征和B类(诊断结论)特征；该模型既能够挖掘上下两部分潜在的特征主题，又能够将上下两部分进行关联，得到具有对应关系的主题；
Step3.2、由Step3.1抽取到的影像描述和诊断结论两类特征语义相似，并且两类主题分布能进行关联分析最后得到影像描述和诊断结论之间的对应关系。
进一步地，所述改进的LDA模型；首先通过以共同的参数α得到每一份诊断报告实例共同的主题分布θ，然后分为两部分进行主题建模和求解，分别以βA和βB为参数得到影像描述部分的特征分布
Figure BDA0002327330120000071
和诊断结论部分的特征分布
Figure BDA0002327330120000072
基于以上参数信息得到每一份实例胸片诊断报告的A类影像描述特征和B类诊断结论特征；
改进的LDA模型参数包括参数α、βA和βB求解使用吉布斯采样方法，对同一个实例分为两个部分A类影像描述特征和B类诊断结论特征进行采样，两者有着相同的求解过程；以A类影像描述特征为例，计算实例d中A类影像描述特征w属于主题t的概率，即A类影像描述类实体特征在该LDA模型上的实例主题分布为：
Figure BDA0002327330120000073
其中，标记为主题t的所有A类影像描述特征中，特征w的比重为：
Figure BDA0002327330120000074
其中，实例d标记为主题t的特征在所有特征中的比重：
Figure BDA0002327330120000075
zw表示当前的特征项的主题标识，z-w表示A类影像描述特征全部特征去除zw后的主题标识，VA表示A类影像描述特征的种类数，K表示主题的数目，N代表矩阵，
Figure BDA0002327330120000076
表示全体实例特征w标记为主题t的个数，
Figure BDA0002327330120000077
表示所有标记为主题t的A类影像描述特征的个数，
Figure BDA0002327330120000078
表示d中所有特征标记为主题k的个数，
Figure BDA0002327330120000079
表示d中所有特征的个数；将诊断报告分为影像描述和诊断结论单独出发进行推断，得到两个诊断报告的实例主题分布。
为了验证本发明的有效性，本发明依据上述方法步骤做实验，由于根据实例主题分布的相似度无法准确的确定检测异常诊断报告的阈值，所以，本文对每一个诊断结论与影像描述中症状进行关系匹配，根据不匹配的数量来确定检测异常诊断报告的阈值。
表4不同阈值的实验效果
阈值 5 4 3 2 1
准确率(％) 100 98.62 93.31 92.82 37.23
召回率(％) 9.75 18.65 52.63 69.54 85.46
F值(％) 17.77 31.37 67.30 79.51 51.87
由表4可知，当阈值设定为2以上的时候，虽然准确率有着很高的水平，但是召回率却急剧的下降。当阈值设为2以下的时候虽然召回率有所提高，但是准确率出现了明显的下降。最终将检测诊断报告的阈值设置为2，取得了较好的实验效果。
本发明实验发现在阈值为2的情况下，异常检测的准确率为92.82，召回率为69.54，检测性能好。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (3)

1.一种基于主题模型的胸部X光片诊断报告异常检测方法，其特征在于：
所述方法的具体步骤如下：
Step1、诊断报告实体抽取：诊断报告核心的内容是影像描述和诊断结论，根据诊断报告自身特性提出了基于LSTM-CRF模型进行诊断报告的实体抽取；
Step2、实体特征扩展补充：将Step1中抽取的实体进行特征扩展和补充，并将诊断的性质加入结论部分，并与影像描述中的症状实体进行匹配；
Step3、诊断报告异常检测：利用改进的LDA模型得到影像描述和诊断结论这两种诊断报告的实例主题分布；
Step4、特征匹配得出结论：通过计算比较影像描述实体和诊断结论实体得到的实例主题分布是否匹配，就能用来检测异常诊断报告；
所述步骤Step3的具体步骤如下：
Step3.1、利用改进的LDA模型，对同一个实例分为两个部分进行采样，得到每一份实例胸片诊断报告的A类影像描述特征和B类诊断结论特征；
Step3.2、由Step3.1抽取到的影像描述和诊断结论两类特征语义相似，并且两类主题分布能进行关联分析；
所述改进的LDA模型；首先通过以共同的参数α得到每一份诊断报告实例共同的主题分布θ，然后分为两部分进行主题建模和求解，分别以βA和βB为参数得到影像描述部分的特征分布
Figure FDA0003637705270000011
和诊断结论部分的特征分布
Figure FDA0003637705270000012
基于以上参数信息得到每一份实例胸片诊断报告的A类影像描述特征和B类诊断结论特征；
改进的LDA模型参数包括参数α、βA和βB求解使用吉布斯采样方法，对同一个实例分为两个部分A类影像描述特征和B类诊断结论特征进行采样，两者有着相同的求解过程；以A类影像描述特征为例，计算实例d中A类影像描述特征w属于主题t的概率，即A类影像描述类实体特征在该LDA模型上的实例主题分布为：
Figure FDA0003637705270000013
其中，标记为主题t的所有A类影像描述特征中，特征w的比重为：
Figure FDA0003637705270000014
其中，实例d标记为主题t的特征在所有特征中的比重：
Figure FDA0003637705270000015
zw表示当前的特征项的主题标识，z-w表示A类影像描述特征全部特征去除zw后的主题标识，VA表示A类影像描述特征的种类数，K表示主题的数目，N代表矩阵，
Figure FDA0003637705270000021
表示全体实例特征w标记为主题t的个数，
Figure FDA0003637705270000022
表示所有标记为主题t的A类影像描述特征的个数，
Figure FDA0003637705270000023
表示d中所有特征标记为主题k的个数，
Figure FDA0003637705270000024
表示d中所有特征的个数；将诊断报告分为影像描述和诊断结论单独出发进行推断，得到两个诊断报告的实例主题分布。
2.根据权利要求1所述的基于主题模型的胸部X光片诊断报告异常检测方法，其特征在于：所述步骤Step1的具体步骤如下：
Step1.1、以字符基本特征结合诊断报告特有的实体后缀特征，生成表示其类型的字嵌入向量；
Step1.2、把Step1.1得出的字嵌入向量输入BI-LSTM神经网络层，得到序列中字符标签的分布矩阵；
Step1.3、根据Step1.2输出的标签概率分布，利用CRF层的序列标注功能预测出最优的序列组合，完成对诊断报告实体进行抽取。
3.根据权利要求1所述的基于主题模型的胸部X光片诊断报告异常检测方法，其特征在于：所述步骤Step2的具体步骤如下：
Step2.1、特征扩展：诊断报告中存在较多并列描述，将这些并列实体分开描述；通过特征扩展能大大丰富特征信息；
Step2.2、特征补充：对于胸部X光片，当地医院和在线医疗网站都有对应的参考模板，诊断报告中的结论都有着与之相对应的规范描述；依据这些模板对诊断报告中的正常结论进行补充；
Step2.3、将诊断的性质即阴阳性加入结论部分，并与影像描述中的症状实体进行匹配。
CN201911321745.7A 2019-12-20 2019-12-20 一种基于主题模型的胸部x光片诊断报告异常检测方法 Active CN111145854B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911321745.7A CN111145854B (zh) 2019-12-20 2019-12-20 一种基于主题模型的胸部x光片诊断报告异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911321745.7A CN111145854B (zh) 2019-12-20 2019-12-20 一种基于主题模型的胸部x光片诊断报告异常检测方法

Publications (2)

Publication Number Publication Date
CN111145854A CN111145854A (zh) 2020-05-12
CN111145854B true CN111145854B (zh) 2022-06-24

Family

ID=70518984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911321745.7A Active CN111145854B (zh) 2019-12-20 2019-12-20 一种基于主题模型的胸部x光片诊断报告异常检测方法

Country Status (1)

Country Link
CN (1) CN111145854B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111681730B (zh) * 2020-05-22 2023-10-27 上海联影智能医疗科技有限公司 医学影像报告的分析方法和计算机可读存储介质
CN116129127A (zh) * 2023-04-13 2023-05-16 昆明理工大学 一种结合尺度特征和纹理滤波的视网膜血管分割方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109448808A (zh) * 2018-08-29 2019-03-08 北京大学 一种基于多视图主题建模技术的异常处方筛选方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9703658B2 (en) * 2015-08-21 2017-07-11 Synopsys, Inc. Identifying failure mechanisms based on a population of scan diagnostic reports
CA3014309A1 (en) * 2017-08-16 2019-02-16 Royal Bank Of Canada Expert knowledge platform

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109448808A (zh) * 2018-08-29 2019-03-08 北京大学 一种基于多视图主题建模技术的异常处方筛选方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于扩展主题模型的异常医疗处方检测方法;刘少钦等;《计算机科学与探索》;20190422(第01期);全文 *
计算机辅助诊断在孤立性肺结节CT诊断的应用;张极峰等;《医学影像学杂志》;20130930(第09期);全文 *

Also Published As

Publication number Publication date
CN111145854A (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
CN108831559B (zh) 一种中文电子病历文本分析方法与系统
Wang et al. A self-boosting framework for automated radiographic report generation
CN110705293A (zh) 基于预训练语言模型的电子病历文本命名实体识别方法
Shin et al. Classification of radiology reports using neural attention models
Li et al. Ffa-ir: Towards an explainable and reliable medical report generation benchmark
Carchiolo et al. Medical prescription classification: a NLP-based approach
CN107193919A (zh) 一种电子病历的检索方法及系统
Miao et al. Extraction of BI-RADS findings from breast ultrasound reports in Chinese using deep learning approaches
Agu et al. AnaXNet: anatomy aware multi-label finding classification in chest X-ray
CN106407443A (zh) 一种结构化医疗数据生成方法及装置
Wang et al. A framework and its empirical study of automatic diagnosis of traditional Chinese medicine utilizing raw free-text clinical records
CN112241457A (zh) 一种融合扩展特征的事理知识图谱事件检测方法
CN112541066B (zh) 基于文本结构化的医技报告检测方法及相关设备
CN111145854B (zh) 一种基于主题模型的胸部x光片诊断报告异常检测方法
Yu et al. Identification of pediatric respiratory diseases using a fine-grained diagnosis system
CN115062165A (zh) 基于读片知识图谱的医学影像诊断方法及装置
CN110634546A (zh) 电子病历文本规范化检测方法
Jang et al. Assessment of the robustness of convolutional neural networks in labeling noise by using chest X-ray images from multiple centers
Liu et al. The implementation of natural language processing to extract index lesions from breast magnetic resonance imaging reports
CN114662477A (zh) 基于中医对话的停用词表生成方法、装置及存储介质
Al-Shouka et al. A Transfer Learning for Intelligent Prediction of Lung Cancer Detection
Farrelly et al. Current topological and machine learning applications for bias detection in text
Pan et al. A method for extracting tumor events from clinical CT examination reports
Ma et al. [Retracted] Research on Sports Health Care Information System Based on Computer Deep Learning Algorithm
Lin et al. Automatic mammographic breast density classification in Chinese women: clinical validation of a deep learning model

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant