部件:

• 文本: "检查程序: 胸部X光片。对比: 最近一次检查时间为2020年1月1日，另见2019年3月1日记录。影像表现: 斑片状气腔混浊。诊断意见: 2020年1月1日的胸部X光结果最值得关注。患者已转诊至UH医疗中心由Perez医生负责的另一个科室。我们通过MedClinical数据传输系统于2020年2月1日发送了数据，编号为5874233。已收到Perez医生的确认。联系电话: 567-493-1234。"
• 文本: "Curt Langlotz医生选择在6月23日安排会议。"

标签:

• 标记分类
• 序列标注模型
• PyTorch框架
• 转换器模型
• PubMedBERT模型
• 无大小写区分
• 放射学领域
• 生物医学领域

数据集:

• 放射报告

语言:

• 英语

许可证: MIT协议

斯坦福去标识化系统基于多种放射学和生物医学文档训练，旨在实现去标识化流程自动化，同时达到生产环境所需的准确度。该研究已形成会议论文手稿。

相关GitHub仓库: https://github.com/MIDRC/Stanford_Penn_Deidentifier

引用文献

@article{10.1093/jamia/ocac219,
    作者 = {Chambon, Pierre J 和 Wu, Christopher 和 Steinkamp, Jackson M 和 Adleberg, Jason 和 Cook, Tessa S 和 Langlotz, Curtis P},
    标题 = "{放射报告自动化去标识化：结合转换器与'隐于寻常'规则方法的解决方案}",
    期刊 = {美国医学信息学会杂志},
    年份 = {2022},
    月份 = {11},
    摘要 = "{本研究旨在开发自动化放射报告去标识化流程，通过检测受保护健康信息(PHI)实体并用'隐于寻常'的替代值进行替换。这项回顾性研究标注了2019年11月至2020年11月期间的999份胸片和CT报告，结合先前标记的3001份X光片和2193份医疗记录，形成包含6193份文档的多机构跨领域数据集。使用来自已知机构和新机构的放射测试集，以及i2b2 2006和2014测试集作为评估基准，比较现有去标识化工具性能。研究开发了基于不同训练集、微调方法和数据增强技术的多个PHI检测模型，以及合成PHI生成算法，采用精确率、召回率和F1分数等指标进行评估。最佳PHI检测模型在已知机构放射报告上取得97.9 F1值，新机构99.6，i2b2 2006达99.5，i2b2 2014为98.9。在已知机构报告中，对PHI核心内容的识别召回率达99.1。该模型在所有测试集上均优于对比的去标识化工具，在i2b2 2014数据上甚至超越人工标注水平，实现了放射报告的精准自动化去标识化。基于转换器的去标识化流程在放射报告和其他医疗文档处理中展现出顶尖性能。}",
    issn = {1527-974X},
    doi = {10.1093/jamia/ocac219},
    网址 = {https://doi.org/10.1093/jamia/ocac219},
    备注 = {ocac219},
    电子版 = {https://academic.oup.com/jamia/advance-article-pdf/doi/10.1093/jamia/ocac219/47220191/ocac219.pdf},
}