基于神经网络文本分类方法的甲状腺结节恶性风险评估

甲状腺结节是常发的内分泌疾病,颈部超声检查是其常用且有效的技术检测手段。超声科医师通过综合甲状腺结节形态、包膜、纵横径之比、结节内钙化灶等特征可评估恶性肿瘤风险等级。为避免评估时人工经验的不足或偏差,本研究提出了基于深度神经网络的超声检查所见文本分类方法实现甲状腺结节恶性风险评估。TextCNN、双向LSTM和CNN+GRU 3种分类模型经实际超声检查数据样本的训练与测试,其中CNN+GRU模型的评估准确性达到了95%以上,表明基于神经网络的文本分类法应用于甲状腺结节超声检查的风险评估是可行且有效的,同时实验还表明该方法不依赖于分词技术与专用的医学字典,对于临床应用具有很好的适应性。