Naslov
Automatizirano označavanje radioloških nalaza: Analiza slučaja zbirke podataka o pregledima koljena
(Automated Labelling of Radiology Reports: A Case Study of a Knee Exam Database)

Autori
Krsnik, Ivan

Vrsta, podvrsta i kategorija rada
Ocjenski radovi, diplomski rad, diplomski

Fakultet
Tehnički fakultet

Mjesto
Rijeka

Datum
24.09

Godina
2018

Stranica
60

Mentor
Štajduhar, Ivan

Ključne riječi
radiološki nalaz ; automatsko označavanje ; dubinska analiza teksta ; strojno učenje ; koljeno
(radiology report ; automated labelling ; text mining ; machine learning ; knee)

Sažetak
Uvod: Ogromne količine medicinskih informacija o stanjima pacijenata ostaju pohranjene u sustavima zbirke podataka bolnica u obliku tekstualnih nalaza, ali im često nedostaje semantička struktura. Glavni cilj ovog rada bio je ispitati izvedivost razvoja automatizirane metode označavanja radioloških nalaza, kao preteča za izgradnju zbirke podataka nalaza s mogućnosti pretraživanja. Metode: Analizirani skup podataka sastojao se od 1295 radioloških nalaza o stanju koljena, retrospektivno prikupljenih u Kliničkom Bolničkom Centru Rijeka, Hrvatska. Nalazi su ručno označeni jednom ili više oznaka iz skupine od 14 najčešćih kliničkih stanja. TF-IDF vreće riječi izdvojene su kao značajke nakon pripremne obrade podataka. Za ocjenjivanje učinkovitosti nekoliko vrhunskih modela nadziranog učenja na skupu podataka korištena je 10-struka unakrsna provjera. Točnost, preciznost, odziv i F1 mjera procijenjeni su za svaki od modela. Analiza pogrešaka izvršena je kako bi se odredile najčešće pogreške koje se javljaju. Rezultati: Najbolja učinkovitost zabilježena je za model neuronske mreže, s F1 mjerom od 81%. Model stroja s potpornim vektorima također se pokazao jako dobrim s F1 rezultatom od 80%. Model slučajne šume i naivni Bayesov model znatno su slabiji s F1 mjerama od 64% i 62%. Učinkovitosti neuronske mreže i modela stroja s potpornim vektorima na učestalijim oznakama bile su posebno obećavajuće s F1 mjerama od 91% i 87% za oznake artroza i ozljeda. Zakljčak: Modeli nadziranog strojnog učenja su više nego sposobni nositi se s automatiziranim označavanjem nestrukturiranih radioloških nalaza, ako je dostupan dovoljno velik označen skup podataka.

Izvorni jezik
Hrvatski

Znanstvena područja
Računarstvo, Kliničke medicinske znanosti

POVEZANOST RADA