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，另参考2019年3月1日的记录。检查结果: 斑片状气腔混浊。影像诊断: 2020年1月1日的胸部X光结果最为关键。患者已转诊至大学医学中心佩雷斯医生负责的另一科室。我们通过MedClinical数据传输系统于2020年2月1日发送了数据，ID号为5874233。已收到佩雷斯医生的确认。联系方式: 567-493-1234。"
• 文本: "柯特·朗洛茨医生选择在6月23日安排会议。" 标签:
• 令牌分类
• 序列标注模型
• PyTorch
• 转换器
• PubMedBERT
• 无大小写区分
• 放射学
• 生物医学 数据集:
• 放射报告 语言:
  • 英语 许可证: MIT

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。

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

引用

@article{10.1093/jamia/ocac219,
    作者 = {尚邦, 皮埃尔·J 和 吴, 克里斯托弗 和 斯坦坎普, 杰克逊·M 和 阿德尔伯格, 贾森 和 库克, 泰莎·S 和 朗洛茨, 柯蒂斯·P},
    标题 = "{放射报告自动化去标识化：结合转换器与'隐于市'规则方法}",
    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'隐于市'的拟真替代值进行替换。回顾性研究中，对2019年11月至2020年11月期间的999份胸片和CT报告进行词元级PHI标注，并与先前标记的3001份X光片和2193份医疗记录合并，形成包含6193份文档的多机构跨领域数据集。采用来自已知机构和新机构的两组放射学测试集，以及i2b2 2006和2014测试集作为评估基准，通过精确率、召回率和F1值等指标，结合配对样本Wilcoxon检验比较模型性能。我们最佳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核心内容的检测召回率达99.1。该模型在所有测试集上均优于对比的去标识工具，在i2b2 2014数据上甚至超越人工标注。研究表明，基于转换器的去标识流程可实现放射报告及其他医疗文档的最先进去标识化效果。}",
    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},
}