在辐射诊断中使用文本机床的可能性和局限性

论证。在放射学中，重要信息不仅包括在医学图像中，还包括在放射科医生创建的随附文本描述中。包含某些数据的研究方案的识别和这些数据的提取首先可能对临床问题有用，但是，鉴于大量此类数据，机器分析算法的开发是必要的。

研究目的是评估使用文本处理工具在放射学协议中搜索病理的可能性和局限性。

材料与方法。为了创建自动协议分析算法的第一个原型，选择了参与使用计算机视觉领域的创新技术进行医学图像分析的实验的研究。这些研究包括在莫斯科医疗机构进行的乳房X光检查、胸部X光摄影、胸部X线间接照相、胸部CT和LDCT。对于每种类型的研究，最初都编制了一个关键词词典，对应于目标病理学的存在与否。在使用开发的工具对协议进行初始自动标记之后，放射科医生对结果进行了选择性评估和验证。医生为训练和验证算法而分析的协议数量为977个乳房X线照相术、3196个射线照相术、1608个荧光照相术、4074个胸部CT和398个胸部LDCT。为了对开发的算法进行最终测试，额外标记了1032项乳房 X线照相术研究、544项荧光照相/射线照相术、5000项胸部CT研究和1082项胸部LDCT研究的测试数据集。

结果。最好结果是根据胸部CT协议（精确度0.996，灵敏度0.998，特异性0.989）和乳房X光检查协议（精确度1.0，灵敏度1.0，特异性1.0）分别在寻找病毒性肺炎迹象和寻找乳腺癌迹象的方面取得的。当通过该算法搜索肺癌征兆时，指标如下：精确度0.895，灵敏度0.829，特异性0.936，以及在射线照相和荧光照相术协议中搜索胸部器官的病理变化时为精确度0.912，灵敏度1.000，特异性0.844。

结论。机器方法可用于乳腺X线检查和胸部CT检查文本的自动分类，以寻找病毒性肺炎。在胸部CT和LDCT模式中寻找肺癌征象，在胸部X线摄影和荧光摄影协议中寻找病理变化，所达到的准确性足以成功应用于医生和人工智能模型工作的自动比较。