CN111681730B - 医学影像报告的分析方法和计算机可读存储介质 - Google Patents
医学影像报告的分析方法和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111681730B CN111681730B CN202010439275.0A CN202010439275A CN111681730B CN 111681730 B CN111681730 B CN 111681730B CN 202010439275 A CN202010439275 A CN 202010439275A CN 111681730 B CN111681730 B CN 111681730B
- Authority
- CN
- China
- Prior art keywords
- medical image
- image report
- category
- report
- sentence
- 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
Links
- 238000004458 analytical method Methods 0.000 title abstract description 28
- 230000014509 gene expression Effects 0.000 claims abstract description 101
- 238000012986 modification Methods 0.000 claims abstract description 70
- 230000004048 modification Effects 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 31
- 238000011002 quantification Methods 0.000 claims description 28
- 230000000875 corresponding effect Effects 0.000 claims description 26
- 239000003550 marker Substances 0.000 claims description 13
- 230000000306 recurrent effect Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 239000000203 mixture Substances 0.000 abstract description 12
- 230000008569 process Effects 0.000 abstract description 12
- 230000015654 memory Effects 0.000 description 26
- 210000004072 lung Anatomy 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012552 review Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 241000197194 Bulla Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 208000002352 blister Diseases 0.000 description 2
- 210000001165 lymph node Anatomy 0.000 description 2
- 210000004224 pleura Anatomy 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 210000001370 mediastinum Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/194—Calculation of difference between files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及一种医学影像报告的分析方法和计算机可读存储介质。该方法包括:获取具有表达类别标记的第一医学影像报告和第二医学影像报告;第二医学影像报告为对第一医学影像报告进行修改后的报告,表达类别用于表征医学影像报告中语句的语义;根据标记的表达类别将第一医学影像报告和第二医学影像报告进行比对,得到满足预设条件的语句对;预设条件用于表征第一医学影像报告中的语句和第二医学影像报告中的语句的相似度;对语句对进行分析,确定第二医学影像报告相对于第一医学影像报告的修改类别;该修改类别用于表征第一医学影像报告的撰写质量。该方法可提高确定的修改类别的准确性以及比对分析过程的效率。
Description
技术领域
本申请涉及文本处理技术领域,特别是涉及一种医学影像报告的分析方法和计算机可读存储介质。
背景技术
随着现代医学的发展,医学影像已经成为了辅助医生进行诊断流程中不可或缺的一部分,医生针对每张医学影像都会撰写一份影像报告,影像报告主要包括关于医学影像中是否存在异常的定量或定性描述、以及基于医学影像表现和临床资料分析得到的诊断意见。
目前,大多数医院的医学影像报告多由低年资医生撰写,高年资医生审核、修改并签发,则经过高年资医生审核、修改后的报告较初始版本更为准确、全面。通过分析比较低年资医生与高年资医生的报告之间的差异,可以发现统计低年资医生常出现的问题,不仅有利于提升低年资医生阅片和撰写报告的能力,更有利于对医学影像报告进行质量的控制。
传统技术中,对于医学影像报告中撰写问题的总结分析主要依靠人工阅读、发现问题、归纳总结的方式。然而,这样的方式不仅需要较长的时间来回顾分析,对医生撰写报告能力的评价也较为主观,准确性和效率都较低。
发明内容
基于此,有必要针对传统技术中对医学影像报告进行分析的准确性和效率都较低的问题,提供一种医学影像报告的分析方法和计算机可读存储介质。
一种医学影像报告的分析方法,该方法包括:
获取具有表达类别标记的第一医学影像报告和第二医学影像报告;第二医学影像报告为对第一医学影像报告进行修改后的报告,表达类别用于表征医学影像报告中语句的语义;
根据标记的表达类别将第一医学影像报告和第二医学影像报告进行比对,得到满足预设条件的语句对;预设条件用于表征第一医学影像报告中的语句和第二医学影像报告中的语句的相似度;
对语句对进行分析,确定第二医学影像报告相对于第一医学影像报告的修改类别;该修改类别用于表征第一医学影像报告的撰写质量。
在其中一个实施例中,获取具有表达类别标记的第一医学影像报告和第二医学影像报告,包括:
对第一医学影像报告进行向量化,将向量化后的第一医学影像报告输入预设的神经网络中,得到具有不同表达类别标记的第一医学影像报告;
对第二医学影像报告进行向量化,将向量化后的第二医学影像报告输入神经网络中,得到具有不同表达类别标记的第二医学影像报告;表达类别包括以下类别中的至少一个:解剖结构类别、位置类别、描述类别、诊断类别、测量类别和分布类别。
在其中一个实施例中,神经网络包括循环神经网络和条件随机场;将向量化后的第一医学影像报告输入预设的神经网络中,得到具有不同表达类别标记的第一医学影像报告,包括:
将向量化后的第一医学影像报告输入循环神经网络,对第一医学影像报告中的各语句进行编码,得到各语句的特征信息;
采用条件随机场对各语句的特征信息进行解码,得到具有不同表达类别标记的第一医学影像报告。
在其中一个实施例中,根据标记的表达类别将第一医学影像报告和第二医学影像报告进行比对,得到满足预设条件的语句对,包括:
提取第一医学影像报告中的多个第一标记语句,以及第二医学影像报告中的多个第二标记语句;
计算相同表达类别的第一标记语句和第二标记语句的相似度,将相似度大于预设阈值的第一标记语句和第二标记语句确定为一组语句对。
在其中一个实施例中,对语句对进行分析,确定第二医学影像报告相对于第一医学影像报告的修改类别,包括:
对语句对中的第一标记语句和第二标记语句进行字符串匹配,确定第二标记语句相对于第一标记语句的差异字符;
根据差异字符的语义,确定第二医学影像报告相对于第一医学影像报告的修改类别。
在其中一个实施例中,对语句对进行分析,确定第二医学影像报告相对于第一医学影像报告的修改类别,包括:
将语句对输入预设的分类网络,输出第二医学影像报告相对于第一医学影像报告的修改类别。
在其中一个实施例中,上述方法还包括:
对修改类别进行质量量化操作,并将得到的质量量化结果和第一医学影像对应的医生标识进行关联存储至数据库中。
在其中一个实施例中,上述方法还包括:
根据用户输入的质量查询指令,从数据库中获取预设时间段内与医生标识对应的全部质量量化结果,以及预设时间段内全部质量量化结果的变化图。
在其中一个实施例中,上述方法还包括:
以预设时间间隔为周期,将与医生标识对应的全部质量量化结果发送至目标客户端,以提示医生规范撰写医学影像报告。
一种医学影像报告的分析装置,该装置包括:
获取模块,用于获取具有表达类别标记的第一医学影像报告和第二医学影像报告;第二医学影像报告为对第一医学影像报告进行修改后的报告,表达类别用于表征医学影像报告中语句的语义;
比对模块,用于根据标记的表达类别将第一医学影像报告和第二医学影像报告进行比对,得到满足预设条件的语句对;预设条件用于表征第一医学影像报告中的语句和第二医学影像报告中的语句的相似度;
分析模块,用于对语句对进行分析,确定第二医学影像报告相对于第一医学影像报告的修改类别;该修改类别用于表征第一医学影像报告的撰写质量。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行该计算机程序时实现以下步骤:
获取具有表达类别标记的第一医学影像报告和第二医学影像报告;第二医学影像报告为对第一医学影像报告进行修改后的报告,表达类别用于表征医学影像报告中语句的语义;
根据标记的表达类别将第一医学影像报告和第二医学影像报告进行比对,得到满足预设条件的语句对;预设条件用于表征第一医学影像报告中的语句和第二医学影像报告中的语句的相似度;
对语句对进行分析,确定第二医学影像报告相对于第一医学影像报告的修改类别;该修改类别用于表征第一医学影像报告的撰写质量。
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取具有表达类别标记的第一医学影像报告和第二医学影像报告;第二医学影像报告为对第一医学影像报告进行修改后的报告,表达类别用于表征医学影像报告中语句的语义;
根据标记的表达类别将第一医学影像报告和第二医学影像报告进行比对,得到满足预设条件的语句对;预设条件用于表征第一医学影像报告中的语句和第二医学影像报告中的语句的相似度;
对语句对进行分析,确定第二医学影像报告相对于第一医学影像报告的修改类别;该修改类别用于表征第一医学影像报告的撰写质量。
上述医学影像报告的分析方法、装置,计算机设备和存储介质,能够获取具有表达类别标记的第一医学影像报告和第二医学影像报告;第二医学影像报告为对第一医学影像报告进行修改后的报告,表达类别用于表征医学影像报告中语句的语义;根据标记的表达类别将第一医学影像报告和第二医学影像报告进行比对,得到满足预设条件的语句对;预设条件用于表征第一医学影像报告中的语句和第二医学影像报告中的语句的相似度;对语句对进行分析,确定第二医学影像报告相对于第一医学影像报告的修改类别;该修改类别用于表征第一医学影像报告的撰写质量。该方法中,通过标记的表达类别对第一医学影像报告和第二医学影像报告进行比对,因其是在相同表达类别的基础上进行比对的,可获取更为准确的对比结果,进而提高了后续确定的修改类别的准确性;另外,该方法中的各步骤都由计算机设备自动执行,无需人为参与,也提高了比对分析过程的效率。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例中医学影像报告的分析方法的流程示意图;
图3为另一个实施例中医学影像报告的分析方法的流程示意图;
图3a为一个实施例中具有不同表达类别标记的第一医学图像报告的展示形式示意图;
图3b为一个实施例中双向长短期记忆网络结合条件随机场对向量化后的第一医学影像报告进行处理的过程示意图;
图4为又一个实施例中医学影像报告的分析方法的流程示意图;
图4a为一个实施例中分类网络对语句对进行修改类别分类的过程示意图;
图5为又一个实施例中医学影像报告的分析方法的流程示意图;
图6为一个实施例中医学影像报告的分析装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的医学影像报告的分析方法,可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器,该存储器中存储有计算机程序,处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选地,该计算机设备还可以包括通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器,该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端通过网络连接通信。可选地,该计算机设备可以是个人计算机(personal computer,简称PC),还可以是个人数字助理,还可以是其他的终端设备,例如平板电脑(portable android device,简称PAD)、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。
在一个实施例中,如图2所示,提供了一种医学影像报告的分析方法,本实施例涉及的是对第一医学影像报告和第二医学影像报告进行对比分析,确定第二医学影像报告相对于第一医学影像报告的修改类别的具体过程。以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
S101,获取具有表达类别标记的第一医学影像报告和第二医学影像报告;第二医学影像报告为对第一医学影像报告进行修改后的报告,表达类别用于表征医学影像报告中语句的语义。
其中,第一医学影像报告为低年资医生撰写的影像报告,第二医学影像报告为高年资医生对低年资医生撰写的影像报告进行修改后的影像报告。对于第一医学影像报告和第二医学影像报告,计算机设备还可以获取影像报告中各语句的表达类别标记,即分析各语句的语义得到的表达类别;例如,对于影像报告中的“双肺散在肺大泡”语句,“双肺”是位置描述,则其表达类别为位置类别,“肺大泡”是对病症的诊断描述,则其表达类别为诊断类别。
S102,根据标记的表达类别将第一医学影像报告和第二医学影像报告进行比对,得到满足预设条件的语句对;预设条件用于表征第一医学影像报告中的语句和第二医学影像报告中的语句的相似度。
具体地,计算机设备根据标记的表达类别将第一医学影像报告和第二医学影像报告中的各个语句进行比对,即比对两个影像报告中相同表达类别的语句,可以将相似度大于预设阈值的语句组为一个语句对;示例性的,可以将预设阈值设定为90%,即若第一医学影像报告中一个位置描述的语句与第二医学影像报告中一个位置描述的语句相似度大于90%时,则将这两个语句组为一个语句对。
可选地,计算机设备还可以根据第一医学影像报告和第二医学影像报告中各语句的分句标识,对各语句进行相似度比对;示例性的,分句标识可以为逗号、句号、分号等,两个分句标识之间为一个语句,然后将第一医学影像报告中的语句依次与第二医学影像报告中的语句进行比对,将相似度大于预设阈值的语句组为一个语句对。
S103,对语句对进行分析,确定第二医学影像报告相对于第一医学影像报告的修改类别;该修改类别用于表征第一医学影像报告的撰写质量。
具体地,对于上述得到的语句对(包含了第一医学影像报告中的一个语句和第二医学影像报告中的一个语句),计算机设备对该语句对进行分析,得到两个语句的差异,根据该差异确定第二医学影像报告相对于第一医学影像报告的修改类别。示例性的,若第二医学影像报告中的语句为“双肺胸膜下可见”,第一医学影像报告中的语句为“双肺下可见”,即第二医学影像报告添加了“胸膜下”,因该语句的表达类别为位置类别,则可以确定第二医学影像报告的修改类别为新增类别,表示第一医学影像报告撰写时的位置描述不完整。
可选地,上述修改类别可以包括新增类别、删除类别和更改类别,对于各类别还可以分为是属于用词不准还是表达错误,以及属于位置、描述、诊断、测量、分布等相关的表述错误等。可选地,计算机设备还可以对不同的修改类别设置不同的质量分数,如更改类别的分数低于新增类别的分数,新增类别的分数低于删除类别的分数;可以理解为,若存在更改类别,则表征第一医学影像报告的撰写质量最差;若存在新增类别,则表征第一医学影像报告的撰写质量次之等。通过确定第二医学影像报告的修改类别,可以反映出低年资医生撰写的第一医学影像报告的质量问题,将存在的质量问题反馈至低年资医生,可使其提高撰写质量。
可选地,计算机设备对语句对进行分析后,可以得到该语句对中语句的修改类别,也可以得到该语句所在的整个语句的修改类别;若为整个语句的修改类别,则还可以统计该整个语句中出现几个新增类别、几个修改类别等,本实施例对修改类别的输出形式不做限制。
本实施例提供的医学影像报告的分析方法,计算机设备首先获取具有表达类别标记的第一医学影像报告和第二医学影像报告;根据标记的表达类别将第一医学影像报告和第二医学影像报告进行比对,得到满足预设条件的语句对;然后对语句对进行分析,确定第二医学影像报告相对于第一影像报告的修改类别,该修改类别用于表征第一医学影像报告的撰写质量。该方法中,通过标记的表达类别对第一医学影像报告和第二医学影像报告进行比对,因其是在相同表达类别的基础上进行比对的,可获取更为准确的对比结果,进而提高了后续确定的修改类别的准确性;另外,该方法中的各步骤都由计算机设备自动执行,无需人为参与,也提高了比对分析过程的效率。
在一个实施例中,计算机设备还可以先对第一医学影像报告和第二医学影像报告进行表达类别的标记,可选地,如图3所示,上述S101可以包括:
S201,对第一医学影像报告进行向量化,将向量化后的第一医学影像报告输入预设的神经网络中,得到具有不同表达类别标记的第一医学影像报告;
具体地,计算机设备首先可以将第一医学影像报告中的每个字都映射到一个向量上,该映射方式包括但不限于基于skip-gram,BERT等预训练模型得到的字向量映射模型、或者基于词袋模型得到的one-hot向量映射方式等。以one-hot向量为例,one-hot向量为只存在一个1其余全为0的n位序列,假设对于1-9的数字用one-hot向量进行表示,1可以表示为[1,0,0,0,0,0,0,0,0],2可以表示为[0,1,0,0,0,0,0,0,0],...,9可以表示为[0,0,0,0,0,0,0,0,1]。在将第一医学影像报告进行向量化后,计算机设备可以将其输入预设的神经网络中,对向量化后的第一医学影像报告中的每个字进行标记,得到每个字对应的标记标签。
示例性的,对于“纵隔内未见肿大淋巴结影”语句,上述神经网络输出的结果为“纵B-LOC隔M-LOC内E-LOC未O见O肿B-DIA大M-DIA淋M-DIA巴M-DIA结M-DIA影E-DIA。O”,其中,LOC表示位置类别,B-LOC表示该位置类别描述的开始,M-LOC表示中间描述,E-LOC表示该位置类别描述的结束,DIA表示诊断类别,B-DIA表示该诊断类别描述的开始,M-DIA表示中间描述,E-DIA表示该诊断类别的结束;那么通过每个字的标签,则可以确定上述“纵隔内”为位置类别的语句,“肿大淋巴结影”为诊断类别的语句。对于具有不同表达类别标记的第一医学图像报告的展示形式可以参见图3a所示的示意图,其中,DEC为描述类别、DIA为诊断类别。可选地,表达类别除了上述示例之外,还可以包括解剖结构类别(如肺、脑等)和分布类别(如单个、多发等)。
S202,对第二医学影像报告进行向量化,将向量化后的第二医学影像报告输入神经网络中,得到具有不同表达类别标记的第二医学影像报告;该表达类别包括以下类别中的至少一个:解剖结构类别、位置类别、描述类别、诊断类别、测量类别和分布类别。
具体地,对于第二医学影像报告进行向量化以及标记的过程可以参见对第一医学影像报告的处理过程,其实现方法类似,在此不再赘述。
可选地,上述神经网络可以包括循环神经网络和条件随机场,则上述S201可以包括:将向量化后的第一医学影像报告输入循环神经网络,对第一医学影像报告中的各语句进行编码,得到各语句的特征信息;采用条件随机场对各语句的特征信息进行解码,得到具有不同表达类别标记的第一医学影像报告。
具体地,循环神经网络用于对第一医学影像报告中的语句进行编码,可选地,该循环神经网络可以包括双向长短期记忆网络或其他类型的神经网络。以双向长短期记忆网络为例,双向长短期记忆网络结合条件随机场对向量化后的第一医学影像报告进行处理的过程示意图可以参见图3b所示,其中,计算机设备将第一医学影像报告向量化后输入双向长短期记忆网络的输入层,经过隐藏层对各语句进行编码后,得到各语句的特征信息;之后由输出层传输至条件随机场,条件随机场(CRF)是一个用于预测与输入序列相对应标注序列的标准模型,其可以有效的控制预测结果内部的规律,例如,位置表达的内部不会出现测量的表达。则条件随机场可对各语句的特征信息解码,以对各语句中的每个字预测标签,最终得到具有不同表达类别标记的第一医学影像报告。采用循环神经网络和条件随机场对向量化后的第二医学影像报告进行标记的过程和对第一医学影像报告进行标记的过程类似,在此不再赘述。
本实施例提供的医学影像报告的分析方法,计算机设备可以对第一医学影像报告(和第二医学影像报告)进行向量化,将向量化后的第一医学影像报告(和第二)医学影像报告输入预设的神经网络中,得到具有不同表达类别标记的第一医学影像报告(和第二医学影像报告)。该方法中,借助神经网络先对医学影像报告进行标记,可提高标记结果的准确性,进而提高后续对医学影像报告进行比对分析结果的准确性。
在一个实施例中,在计算机设备得到具有表达类别标记的第一医学影像报告和第二医学影像报告之后,便可以对两者进行比对,得到满足预设条件的语句对。可选地,如图4所示,上述S102可以包括:
S301,提取第一医学影像报告中的多个第一标记语句,以及第二医学影像报告中的多个第二标记语句。
S302,计算相同表达类别的第一标记语句和第二标记语句的相似度,将相似度大于预设阈值的第一标记语句和第二标记语句确定为一组语句对。
具体地,计算机设备可以根据表达类别提取第一医学影像报告中的多个第一标记语句,以及第二医学影像报告中的多个第二标记语句,然后计算相同表达类别的第一标记语句和第二标记语句的相似度,例如计算描述类别的第一标记语句和第二标记语句的相似度、计算位置类别的第一标记语句和第二标记语句的相似度;最后将相似度大于预设阈值的第一标记语句和第二标记语句确定为一组语句对。可选地,计算机设备可以根据Dice函数计算第一标记语句和第二标记语句之间的相似度。
可选地,在得到多个语句对后,计算机设备可以对每个语句对中的第一标记语句和第二标记语句进行字符串匹配,即匹配对应位置的字符是否相同,以确定第二标记语句相对于第一标记语句的差异字符。可选地,可以采用字符串匹配算法直接进行匹配,提取差异字符。然后根据差异字符的语义,确定第二医学影像报告相对于第一影像报告的修改类别。示例性的,“双肺可见多发类圆形无肺纹理透亮区”和“双肺胸膜下可见多发类圆形无肺纹理透亮区”,可以提取到差异为添加了“胸膜下”,结合“双肺胸膜下”是一种位置描述,可以得到此对句子的修改类别为位置描述不完整,不是用词不准的问题。
可选地,在得到多个语句对后,计算机设备还可以将每个语句对输入预设的分类网络中,例如ABCNN网络;利用预训练的字/词模型将语句对中的字/词映射到向量空间后,使用分类网络来进行分类,判断第二医学影像报告中的语句A和第一医学影像报告中的语句B之间的关系属于如下哪一种:A与B相同,A包含B,A包含于B,A与B不同,分别对应无修改、删除、新增,更改的修改类别;若A与B表达的语义相同,还可以再进一步分类,判断A是否属于用词随意等的问题,进而得到第二医学影像报告相对于第一医学影像报告的修改类别。关于分类网络对语句对进行修改类别分类的过程可以参见图4a所示。
本实施例提供的医学影像报告的分析方法,计算机设备可以提取第一医学影像报告中的多个第一标记语句,以及第二医学影像报告中的多个第二标记语句,并计算相同表达类别的第一标记语句和第二标记语句的相似度,将相似度大于预设阈值的第一标记语句和第二标记语句确定为一组语句对;最后基于该语句对确定第二医学影像报告相对于第一医学影像报告的修改类别。该方法中,通过对相同表达类别对应的语句对进行分析,获取更为准确的对比结果,进而提高了后续确定的修改类别的准确性。
可选地,在一个实施例中,计算机设备还可以对上述修改类别进行质量量化操作,即对不同的修改类别设定不同的质量分数,如更改类别的分数低于新增类别的分数,新增类别的分数低于删除类别的分数;示例性的,若某一第二医学影像报告中包含更改类别可以给与70分,若包含新增类别可以给与80分,若包含删除类别可以给与90分等。然后将得到的质量量化结果和第一医学影像报告对应的医生标识进行关联存储至数据库中。由此可以记录每个低年资医生对每个医学影像报告进行撰写的质量评分,供后续评估统计。
可选地,在一个实施例中,计算机设备可以根据用户(如高年资医生)输入的质量查询指令,从数据库中获取预设时间段内与上述医生标识(低年资医生)对应的全部质量量化结果,以及该时间段内全部质量量化结果的变化图。即高年资医生可以查看低年资医生在一段时间内撰写医学影像报告的质量变化趋势,回顾评估低年资医生的撰写质量。可选地,预设时间段可以为过去的一周、两周、一个月等。
可选地,在一个实施例中,计算机设备还可以以预设时间间隔为周期,将与上述医生标识(低年资医生)对应的全部质量量化结果发送至目标客户端(低年资医生的客户端),以提示低年资医生规范撰写医学影像报告。可选地,计算机设备可以以一天、三天、五天等时间间隔,将低年资医生的撰写质量结果发送给对应的客户端上,以使低年资医生尽量避免之前出现的撰写质量问题,提高撰写质量。
为更好地理解整个医学影像报告的分析方法,下面一个整体实施例方式对该方法进行介绍,如图5所示,该方法包括:
S401,对第一医学影像报告进行向量化,将向量化后的第一医学影像报告输入预设的神经网络中,得到具有不同表达类别标记的第一医学影像报告;
S402,对第二医学影像报告进行向量化,将向量化后的第二医学影像报告输入神经网络中,得到具有不同表达类别标记的第二医学影像报告;
S403,提取第一医学影像报告中的多个第一标记语句,以及第二医学影像报告中的多个第二标记语句;
S404,计算相同表达类别的第一标记语句和第二标记语句的相似度,将相似度大于预设阈值的第一标记语句和第二标记语句确定为一组语句对;
S405,对语句对进行分析,确定第二医学影像报告相对于第一医学影像报告的修改类别;
S406,对修改类别进行质量量化操作,并将得到的质量量化结果和第一医学影像对应的医生标识进行关联存储至数据库中;
S407,以预设时间间隔为周期,将与医生标识对应的全部质量量化结果发送至目标客户端,以提示医生规范撰写医学影像报告。
关于各步骤的实现过程,可以参见上述实施例的描述,其实现原理和技术效果类似,在此不再赘述。
应该理解的是,虽然图2-图5的流程图中各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-图5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种医学影像报告的分析装置,包括:获取模块11、比对模块12和分析模块13。
具体地,获取模块11,用于获取具有表达类别标记的第一医学影像报告和第二医学影像报告;第二医学影像报告为对第一医学影像报告进行修改后的报告,表达类别用于表征医学影像报告中语句的语义;
比对模块12,用于根据标记的表达类别将第一医学影像报告和第二医学影像报告进行比对,得到满足预设条件的语句对;预设条件用于表征第一医学影像报告中的语句和第二医学影像报告中的语句的相似度;
分析模块13,用于对语句对进行分析,确定第二医学影像报告相对于第一医学影像报告的修改类别;该修改类别用于表征第一医学影像报告的撰写质量。
本实施例提供的医学影像报告的分析装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,获取模块11,具体用于对第一医学影像报告进行向量化,将向量化后的第一医学影像报告输入预设的神经网络中,得到具有不同表达类别标记的第一医学影像报告;对第二医学影像报告进行向量化,将向量化后的第二医学影像报告输入神经网络中,得到具有不同表达类别标记的第二医学影像报告;表达类别包括以下类别中的至少一个:解剖结构类别、位置类别、描述类别、诊断类别、测量类别和分布类别。
在一个实施例中,神经网络包括循环神经网络和条件随机场;获取模块11,具体用于将向量化后的第一医学影像报告输入循环神经网络,对第一医学影像报告中的各语句进行编码,得到各语句的特征信息;采用条件随机场对各语句的特征信息进行解码,得到具有不同表达类别标记的第一医学影像报告。
在一个实施例中,比对模块12,具体用于提取第一医学影像报告中的多个第一标记语句,以及第二医学影像报告中的多个第二标记语句;计算相同表达类别的第一标记语句和第二标记语句的相似度,将相似度大于预设阈值的第一标记语句和第二标记语句确定为一组语句对。
在一个实施例中,分析模块13,具体用于对语句对中的第一标记语句和第二标记语句进行字符串匹配,确定第二标记语句相对于第一标记语句的差异字符;根据差异字符的语义,确定第二医学影像报告相对于第一医学影像报告的修改类别。
在一个实施例中,分析模块13,具体用于将语句对输入预设的分类网络,输出第二医学影像报告相对于第一医学影像报告的修改类别。
在一个实施例中,上述装置还包括存储模块,用于对修改类别进行质量量化操作,并将得到的质量量化结果和第一医学影像对应的医生标识进行关联存储至数据库中。
在一个实施例中,上述获取模块11,还用于根据用户输入的质量查询指令,从数据库中获取预设时间段内与医生标识对应的全部质量量化结果,以及预设时间段内全部质量量化结果的变化图。
在一个实施例中,上述装置还包括发送模块,用于以预设时间间隔为周期,将与医生标识对应的全部质量量化结果发送至目标客户端,以提示医生规范撰写医学影像报告。
关于医学影像报告的分析装置的具体限定可以参见上文中对于医学影像报告的分析方法的限定,在此不再赘述。上述医学影像报告的分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种医学影像报告的分析方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取具有表达类别标记的第一医学影像报告和第二医学影像报告;第二医学影像报告为对第一医学影像报告进行修改后的报告,表达类别用于表征医学影像报告中语句的语义;
根据标记的表达类别将第一医学影像报告和第二医学影像报告进行比对,得到满足预设条件的语句对;预设条件用于表征第一医学影像报告中的语句和第二医学影像报告中的语句的相似度;
对语句对进行分析,确定第二医学影像报告相对于第一医学影像报告的修改类别;该修改类别用于表征第一医学影像报告的撰写质量。
本实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对第一医学影像报告进行向量化,将向量化后的第一医学影像报告输入预设的神经网络中,得到具有不同表达类别标记的第一医学影像报告;
对第二医学影像报告进行向量化,将向量化后的第二医学影像报告输入神经网络中,得到具有不同表达类别标记的第二医学影像报告;表达类别包括以下类别中的至少一个:解剖结构类别、位置类别、描述类别、诊断类别、测量类别和分布类别。
在一个实施例中,神经网络包括循环神经网络和条件随机场;处理器执行计算机程序时还实现以下步骤:
将向量化后的第一医学影像报告输入循环神经网络,对第一医学影像报告中的各语句进行编码,得到各语句的特征信息;
采用条件随机场对各语句的特征信息进行解码,得到具有不同表达类别标记的第一医学影像报告。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
提取第一医学影像报告中的多个第一标记语句,以及第二医学影像报告中的多个第二标记语句;
计算相同表达类别的第一标记语句和第二标记语句的相似度,将相似度大于预设阈值的第一标记语句和第二标记语句确定为一组语句对。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对语句对中的第一标记语句和第二标记语句进行字符串匹配,确定第二标记语句相对于第一标记语句的差异字符;
根据差异字符的语义,确定第二医学影像报告相对于第一医学影像报告的修改类别。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将语句对输入预设的分类网络,输出第二医学影像报告相对于第一医学影像报告的修改类别。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对修改类别进行质量量化操作,并将得到的质量量化结果和第一医学影像对应的医生标识进行关联存储至数据库中。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据用户输入的质量查询指令,从数据库中获取预设时间段内与医生标识对应的全部质量量化结果,以及预设时间段内全部质量量化结果的变化图。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
以预设时间间隔为周期,将与医生标识对应的全部质量量化结果发送至目标客户端,以提示医生规范撰写医学影像报告。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取具有表达类别标记的第一医学影像报告和第二医学影像报告;第二医学影像报告为对第一医学影像报告进行修改后的报告,表达类别用于表征医学影像报告中语句的语义;
根据标记的表达类别将第一医学影像报告和第二医学影像报告进行比对,得到满足预设条件的语句对;预设条件用于表征第一医学影像报告中的语句和第二医学影像报告中的语句的相似度;
对语句对进行分析,确定第二医学影像报告相对于第一医学影像报告的修改类别;该修改类别用于表征第一医学影像报告的撰写质量。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对第一医学影像报告进行向量化,将向量化后的第一医学影像报告输入预设的神经网络中,得到具有不同表达类别标记的第一医学影像报告;
对第二医学影像报告进行向量化,将向量化后的第二医学影像报告输入神经网络中,得到具有不同表达类别标记的第二医学影像报告;表达类别包括以下类别中的至少一个:解剖结构类别、位置类别、描述类别、诊断类别、测量类别和分布类别。
在一个实施例中,神经网络包括循环神经网络和条件随机场;计算机程序被处理器执行时还实现以下步骤:
将向量化后的第一医学影像报告输入循环神经网络,对第一医学影像报告中的各语句进行编码,得到各语句的特征信息;
采用条件随机场对各语句的特征信息进行解码,得到具有不同表达类别标记的第一医学影像报告。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
提取第一医学影像报告中的多个第一标记语句,以及第二医学影像报告中的多个第二标记语句;
计算相同表达类别的第一标记语句和第二标记语句的相似度,将相似度大于预设阈值的第一标记语句和第二标记语句确定为一组语句对。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对语句对中的第一标记语句和第二标记语句进行字符串匹配,确定第二标记语句相对于第一标记语句的差异字符;
根据差异字符的语义,确定第二医学影像报告相对于第一医学影像报告的修改类别。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将语句对输入预设的分类网络,输出第二医学影像报告相对于第一医学影像报告的修改类别。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对修改类别进行质量量化操作,并将得到的质量量化结果和第一医学影像对应的医生标识进行关联存储至数据库中。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据用户输入的质量查询指令,从数据库中获取预设时间段内与医生标识对应的全部质量量化结果,以及预设时间段内全部质量量化结果的变化图。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
以预设时间间隔为周期,将与医生标识对应的全部质量量化结果发送至目标客户端,以提示医生规范撰写医学影像报告。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种医学影像报告的分析方法,其特征在于,所述方法包括:
获取具有表达类别标记的第一医学影像报告和第二医学影像报告;所述第二医学影像报告为对所述第一医学影像报告进行修改后的报告,表达类别用于表征医学影像报告中语句的语义;所述表达类别包括以下类别中的至少一个:解剖结构类别、位置类别、描述类别、诊断类别、测量类别和分布类别;
根据标记的表达类别将所述第一医学影像报告和所述第二医学影像报告中的各个语句进行比对,得到满足预设条件的语句对;所述预设条件用于表征所述第一医学影像报告中的语句和所述第二医学影像报告中的语句的相似度;
对所述语句对进行分析,确定所述第二医学影像报告相对于所述第一医学影像报告的修改类别;所述修改类别用于表征所述第一医学影像报告的撰写质量;所述修改类别包括新增类别、删除类别和更改类别。
2.根据权利要求1所述的方法,其特征在于,所述获取具有表达类别标记的第一医学影像报告和第二医学影像报告,包括:
对第一医学影像报告进行向量化,将向量化后的第一医学影像报告输入预设的神经网络中,得到具有不同表达类别标记的第一医学影像报告;
对第二医学影像报告进行向量化,将向量化后的第二医学影像报告输入所述神经网络中,得到具有不同表达类别标记的第二医学影像报告;所述表达类别包括以下类别中的至少一个:解剖结构类别、位置类别、描述类别、诊断类别、测量类别和分布类别。
3.根据权利要求2所述的方法,其特征在于,所述神经网络包括循环神经网络和条件随机场;所述将向量化后的第一医学影像报告输入预设的神经网络中,得到具有不同表达类别标记的第一医学影像报告,包括:
将向量化后的第一医学影像报告输入所述循环神经网络,对第一医学影像报告中的各语句进行编码,得到所述各语句的特征信息;
采用所述条件随机场对所述各语句的特征信息进行解码,得到具有不同表达类别标记的第一医学影像报告。
4.根据权利要求1所述的方法,其特征在于,所述根据标记的表达类别将所述第一医学影像报告和所述第二医学影像报告进行比对,得到满足预设条件的语句对,包括:
提取所述第一医学影像报告中的多个第一标记语句,以及所述第二医学影像报告中的多个第二标记语句;
计算相同表达类别的第一标记语句和第二标记语句的相似度,将相似度大于预设阈值的第一标记语句和第二标记语句确定为一组语句对。
5.根据权利要求4所述的方法,其特征在于,所述对所述语句对进行分析,确定所述第二医学影像报告相对于所述第一医学影像报告的修改类别,包括:
对所述语句对中的第一标记语句和第二标记语句进行字符串匹配,确定所述第二标记语句相对于所述第一标记语句的差异字符;
根据所述差异字符的语义,确定所述第二医学影像报告相对于所述第一医学影像报告的修改类别。
6.根据权利要求4所述的方法,其特征在于,所述对所述语句对进行分析,确定所述第二医学影像报告相对于所述第一医学影像报告的修改类别,包括:
将所述语句对输入预设的分类网络,输出所述第二医学影像报告相对于所述第一医学影像报告的修改类别。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述修改类别进行质量量化操作,并将得到的质量量化结果和所述第一医学影像对应的医生标识进行关联存储至数据库中。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
根据用户输入的质量查询指令,从所述数据库中获取预设时间段内与所述医生标识对应的全部质量量化结果,以及所述预设时间段内全部质量量化结果的变化图。
9.根据权利要求7所述的方法,其特征在于,所述方法还包括:
以预设时间间隔为周期,将与所述医生标识对应的全部质量量化结果发送至目标客户端,以提示医生规范撰写医学影像报告。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-9中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010439275.0A CN111681730B (zh) | 2020-05-22 | 2020-05-22 | 医学影像报告的分析方法和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010439275.0A CN111681730B (zh) | 2020-05-22 | 2020-05-22 | 医学影像报告的分析方法和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111681730A CN111681730A (zh) | 2020-09-18 |
CN111681730B true CN111681730B (zh) | 2023-10-27 |
Family
ID=72434238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010439275.0A Active CN111681730B (zh) | 2020-05-22 | 2020-05-22 | 医学影像报告的分析方法和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681730B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159134A (zh) * | 2021-03-29 | 2021-07-23 | 宁波市科技园区明天医网科技有限公司 | 基于乳腺结构化报告的智能化诊断评估方法 |
CN113593683A (zh) * | 2021-07-27 | 2021-11-02 | 浙江省人民医院 | 一种影像诊断报告书写质量评价方法及系统 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201846366U (zh) * | 2010-10-21 | 2011-05-25 | 北京洛克斯科技发展有限公司 | 一种智能化医学影像存储与传输系统 |
CN102365641A (zh) * | 2009-03-26 | 2012-02-29 | 皇家飞利浦电子股份有限公司 | 基于诊断信息自动检索报告模板的系统 |
JP2012063919A (ja) * | 2010-09-15 | 2012-03-29 | Fujifilm Corp | 医用レポート評価装置、医用レポート評価方法、医用レポート評価プログラム、並びに医用ネットワークシステム |
CN204233142U (zh) * | 2014-11-04 | 2015-04-01 | 深圳市易特科信息技术有限公司 | 智能型医学影像阅读系统 |
CN205411145U (zh) * | 2015-11-19 | 2016-08-03 | 小红象医疗科技有限公司 | 一种基于红外医学影像的中医健康信息自动分析系统 |
CN109065110A (zh) * | 2018-07-11 | 2018-12-21 | 哈尔滨工业大学 | 一种基于深度学习方法的自动生成医学影像诊断报告的方法 |
CN109460756A (zh) * | 2018-11-09 | 2019-03-12 | 天津新开心生活科技有限公司 | 医学影像处理方法、装置、电子设备及计算机可读介质 |
CN109545302A (zh) * | 2018-10-22 | 2019-03-29 | 复旦大学 | 一种基于语义的医学影像报告模板生成方法 |
CN109583440A (zh) * | 2017-09-28 | 2019-04-05 | 北京西格码列顿信息技术有限公司 | 结合影像识别与报告编辑的医学影像辅助诊断方法及系统 |
CN109741806A (zh) * | 2019-01-07 | 2019-05-10 | 北京推想科技有限公司 | 一种医学影像诊断报告辅助生成方法及其装置 |
CN109830284A (zh) * | 2017-11-23 | 2019-05-31 | 天启慧眼(北京)信息技术有限公司 | 医学影像的分析方法及装置 |
CN110706815A (zh) * | 2019-11-26 | 2020-01-17 | 北京推想科技有限公司 | 一种影像报告的评估方法、装置及电子设备 |
CN110797101A (zh) * | 2019-10-28 | 2020-02-14 | 腾讯医疗健康(深圳)有限公司 | 医学数据处理方法、装置、可读存储介质和计算机设备 |
CN110993064A (zh) * | 2019-11-05 | 2020-04-10 | 北京邮电大学 | 面向深度学习的医学影像标注方法及装置 |
CN111063410A (zh) * | 2019-12-20 | 2020-04-24 | 京东方科技集团股份有限公司 | 一种医学影像文本报告的生成方法及装置 |
CN111078910A (zh) * | 2019-12-06 | 2020-04-28 | 武汉联影医疗科技有限公司 | 医学影像的存储方法、装置、系统、设备和存储介质 |
CN111145854A (zh) * | 2019-12-20 | 2020-05-12 | 昆明理工大学 | 一种基于主题模型的胸部x光片诊断报告异常检测方法 |
CN111161822A (zh) * | 2018-11-08 | 2020-05-15 | 北京赛迈特锐医疗科技有限公司 | 医学影像人工智能诊断数据管理系统及其管理方法 |
CN111160034A (zh) * | 2019-12-31 | 2020-05-15 | 东软集团股份有限公司 | 一种实体词的标注方法、装置、存储介质及设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013036842A2 (en) * | 2011-09-08 | 2013-03-14 | Radlogics, Inc. | Methods and systems for analyzing and reporting medical images |
US11031121B2 (en) * | 2014-05-06 | 2021-06-08 | Koninklijke Philips N.V. | System and method for indicating the quality of information to support decision making |
EP3422949A4 (en) * | 2016-03-03 | 2019-10-30 | Geisinger Health System | SYSTEM AND METHOD FOR AUTOMATED ANALYSIS IN MEDICAL IMAGING APPLICATIONS |
EP3665702A4 (en) * | 2017-08-11 | 2021-05-26 | Elucid Bioimaging Inc. | QUANTITATIVE MEDICAL IMAGING REPORTING |
EP3567605A1 (en) * | 2018-05-08 | 2019-11-13 | Siemens Healthcare GmbH | Structured report data from a medical text report |
-
2020
- 2020-05-22 CN CN202010439275.0A patent/CN111681730B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102365641A (zh) * | 2009-03-26 | 2012-02-29 | 皇家飞利浦电子股份有限公司 | 基于诊断信息自动检索报告模板的系统 |
JP2012063919A (ja) * | 2010-09-15 | 2012-03-29 | Fujifilm Corp | 医用レポート評価装置、医用レポート評価方法、医用レポート評価プログラム、並びに医用ネットワークシステム |
CN201846366U (zh) * | 2010-10-21 | 2011-05-25 | 北京洛克斯科技发展有限公司 | 一种智能化医学影像存储与传输系统 |
CN204233142U (zh) * | 2014-11-04 | 2015-04-01 | 深圳市易特科信息技术有限公司 | 智能型医学影像阅读系统 |
CN205411145U (zh) * | 2015-11-19 | 2016-08-03 | 小红象医疗科技有限公司 | 一种基于红外医学影像的中医健康信息自动分析系统 |
CN109583440A (zh) * | 2017-09-28 | 2019-04-05 | 北京西格码列顿信息技术有限公司 | 结合影像识别与报告编辑的医学影像辅助诊断方法及系统 |
CN109830284A (zh) * | 2017-11-23 | 2019-05-31 | 天启慧眼(北京)信息技术有限公司 | 医学影像的分析方法及装置 |
CN109065110A (zh) * | 2018-07-11 | 2018-12-21 | 哈尔滨工业大学 | 一种基于深度学习方法的自动生成医学影像诊断报告的方法 |
CN109545302A (zh) * | 2018-10-22 | 2019-03-29 | 复旦大学 | 一种基于语义的医学影像报告模板生成方法 |
CN111161822A (zh) * | 2018-11-08 | 2020-05-15 | 北京赛迈特锐医疗科技有限公司 | 医学影像人工智能诊断数据管理系统及其管理方法 |
CN109460756A (zh) * | 2018-11-09 | 2019-03-12 | 天津新开心生活科技有限公司 | 医学影像处理方法、装置、电子设备及计算机可读介质 |
CN109741806A (zh) * | 2019-01-07 | 2019-05-10 | 北京推想科技有限公司 | 一种医学影像诊断报告辅助生成方法及其装置 |
CN110797101A (zh) * | 2019-10-28 | 2020-02-14 | 腾讯医疗健康(深圳)有限公司 | 医学数据处理方法、装置、可读存储介质和计算机设备 |
CN110993064A (zh) * | 2019-11-05 | 2020-04-10 | 北京邮电大学 | 面向深度学习的医学影像标注方法及装置 |
CN110706815A (zh) * | 2019-11-26 | 2020-01-17 | 北京推想科技有限公司 | 一种影像报告的评估方法、装置及电子设备 |
CN111078910A (zh) * | 2019-12-06 | 2020-04-28 | 武汉联影医疗科技有限公司 | 医学影像的存储方法、装置、系统、设备和存储介质 |
CN111063410A (zh) * | 2019-12-20 | 2020-04-24 | 京东方科技集团股份有限公司 | 一种医学影像文本报告的生成方法及装置 |
CN111145854A (zh) * | 2019-12-20 | 2020-05-12 | 昆明理工大学 | 一种基于主题模型的胸部x光片诊断报告异常检测方法 |
CN111160034A (zh) * | 2019-12-31 | 2020-05-15 | 东软集团股份有限公司 | 一种实体词的标注方法、装置、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111681730A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230196127A1 (en) | Method and device for constructing legal knowledge graph based on joint entity and relation extraction | |
WO2021042521A1 (zh) | 一种合同自动生成方法、计算机设备及计算机非易失性存储介质 | |
CN111026671B (zh) | 测试用例集构建方法和基于测试用例集的测试方法 | |
CN109522552B (zh) | 一种医疗信息的归一化方法、装置、介质及电子设备 | |
CN110826494B (zh) | 标注数据质量评价方法、装置、计算机设备及存储介质 | |
CN107908641B (zh) | 一种获取图片标注数据的方法和系统 | |
US20220229984A1 (en) | Systems and methods for semi-supervised extraction of text classification information | |
CN111681730B (zh) | 医学影像报告的分析方法和计算机可读存储介质 | |
CN111191275A (zh) | 敏感数据识别方法、系统及其装置 | |
CN110162786B (zh) | 构建配置文件以及抽取结构化信息的方法、装置 | |
CN111459967A (zh) | 结构化查询语句生成方法、装置、电子设备及介质 | |
CN110472049B (zh) | 疾病筛查文本分类方法、计算机设备和可读存储介质 | |
CN111583199B (zh) | 样本图像标注方法、装置、计算机设备和存储介质 | |
CN111144210A (zh) | 图像的结构化处理方法及装置、存储介质及电子设备 | |
CN112614559A (zh) | 病历文本处理方法、装置、计算机设备和存储介质 | |
CN111950262A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN112530550A (zh) | 影像报告生成方法、装置、计算机设备和存储介质 | |
CN112860842A (zh) | 病历标注方法、装置及存储介质 | |
CN111415747A (zh) | 电子病历的构建方法及装置 | |
CN110471941B (zh) | 自动定位判断依据的方法、装置及电子设备 | |
Lin et al. | Spatial pattern analysis of address quality: A study on the impact of rapid urban expansion in China | |
CN117594183A (zh) | 基于反事实数据增强的放射学报告生成方法 | |
CN112749277A (zh) | 医学数据的处理方法、装置及存储介质 | |
CN116503031A (zh) | 基于简历解析的人员相似性计算方法、装置、设备及介质 | |
US20230023636A1 (en) | Methods and systems for preparing unstructured data for statistical analysis using electronic characters |
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 |