PACS中诊断文本的SVD聚类研究

本文研究了PACS中诊断文本的聚类问题。对诊断文本通过词频矩阵建立向量空间模型,在保持文本向量余弦相似度不变的前提下,采用奇异值分解对空间降维,以减少空间的占用和计算时间,最后利用层次聚类算法得到各种常见病变的诊断文本聚类结果。最后从实践角度讨论诊断文本聚类需要考虑的因素。

面向病灶与其表征关联提取的核医学诊断文本挖掘

医学影像是现代临床医学疾病诊治不可或缺的重要组成部分,SPECT是功能影像的主要成像技术,广泛应用于肿瘤骨转移等疾病的诊治。SPECT诊断报告文本包含患者个人信息、图像描述和建议性结果等几个方面的信息。为准确提取SPECT核医学骨显像诊断文本中疾病与其表征之间的关联关系,研究并提出基于数据挖掘的核医学文本关联规则挖掘方法。首先,针对核医学诊断文本可能包含的信息冗余、数据缺失及表述不一致等问题,提出SPECT核医学诊断文本的预处理及统一编码方法;然后,应用经典的关联规则挖掘算法Apriori,提出病灶与表征之间关联的挖掘算法;最后,使用一组源自三甲医院核医学科的真实SPECT核医学诊断文本数据,验证了所提出的方法。结果表明,提出的方法客观提取了疾病与其表征之间的关联,获得的客观性评价指标平均值不低于90%。

基于BERT-BiLSTM-CRF的SPECT诊断文本病灶提取研究

随着医学成像技术的不断进步,有价值的数据越来越多,但是当前还无法充分利用这些数据,从而会造成资源浪费。基于此,笔者将SPECT诊断报告作为研究对象,将数据进行预处理后传入构建的BERT-BiLSTM-CRF框架,旨在实现诊断报告中病灶的自动提取。实验结果表明,该方法能够有效完成核医学诊断文本的疾病表征自动提取,获得的精确度、召回率和F1-Score分别为92.21、94.14和93.17。