中英文对照的影像学报告在预测模型中的一致性评价

目的 结合不同的文本向量化方法和分类模型,评估中英文对照的X线影像学报告在分类任务中的一致性。方法 提取Medical Information Mart for Intensive Care(MIMIC)数据集中的X线影像报告并翻译为中文,使用Doc2vec、词频-逆文档频率算法、双向编码器表示(Bidirectional Encoder Representation from Transformers,BERT)等方法对文本进行向量化,利用随机森林、卷积神经网络(Convolutional Neural Networks,CNN)、 TextCNN、Softmax等算法和模型完成分类任务。利用一致率和Kappa值对中英文对照的影像学报告的分类结果进行一致性评价。结果 在二分类任务下,中英文版本影像学报告分类一致率可以达到0.7~0.9,Kappa值为0.3~0.7,其中BERT-Softmax模型可以得到一致率为0.922,Kappa值为0.724;在三分类任务下,中英文版本的影像学报告分类一致率可以达到0.6~0.7,Kappa值可以达到0.3~0.4;在五分类任务下,BERTSoftmax得到中英文文本分类一致率为0.744,Kappa值为0.638。结论 X线影像报告的中英文版本在分类任务中具有较高的一致性,且一致性与文本向量化方法、分类模型性能及具体分类任务有关。

基于GF-3和Landsat8遥感数据的土壤水分反演研究

基于我国首颗全极化雷达卫星高分三号(GF-3)和Landsat8数据,研究浓密植被覆盖地表土壤水分反演方法。为了提高浓密植被覆盖地表土壤水分反演精度,首先利用PROSAIL模型、实测植被参数及Landsat8光学数据分析了8种植被指数与植被冠层含水量的相关性,从中优选出归一化差异水指数(NDWI5)用于反演植被冠层含水量,并通过分析植被含水量和植被冠层含水量的关系,构建植被含水量模型;然后结合植被含水量反演模型和简化MIMICS模型校正了植被对雷达后向散射系数的影响,最后基于AIEM建立裸土后向散射系数模拟数据集,发展一种主动微波和光学数据协同反演浓密植被覆盖地表土壤水分模型,并以山东省禹城市为研究区,实现了玉米覆盖下HH、VV和HH+VV 3种模式土壤水分反演。实验结果表明:①NDWI5为最佳植被指数,对于去除植被影响有较好效果;②基于此方法,利用GF-3和Landsat8卫星数据反演得到的土壤水分具有较高的精度;③相比HH和VV两种极化模式,HH+VV双通道模式对土壤水分反演结果更好,决定系数(R^2)为0.4037,均方根误差(RMSE)为0.0667 m^3m^-3。