部件:

• 文本: "检查程序: 胸部X光片。对比资料: 最近一次检查时间为2020年1月1日，另参考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日的胸片结果最值得关注。患者已转诊至UH医疗中心佩雷斯医生负责的另一个科室。我们于2020年2月1日通过MedClinical数据传输系统发送了数据（ID号5874233），并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日安排会诊。"

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
• 生物医学

数据集:

• 放射报告

语言:

• 英语

许可协议: MIT

斯坦福去标识化系统基于各类放射学和生物医学文档训练，旨在实现自动化去标识流程的同时保持生产环境所需的准确度。相关研究论文正在撰写中。

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

引用文献

@article{10.1093/jamia/ocac219,
    作者 = {尚邦, 皮埃尔·J 和 吴, 克里斯托弗 及 斯坦坎普, 杰克逊·M 与 阿德尔伯格, 贾森 和 库克, 泰莎·S 及 朗洛茨, 柯蒂斯·P},
    标题 = "{放射报告自动化去标识：结合转换器与'隐于市'规则方法的实践}",
    期刊 = {美国医学信息学会刊},
    年份 = {2022},
    月份 = {11},
    摘要 = "{本研究旨在开发放射报告自动化去标识流程，通过检测受保护健康信息(PHI)实体并替换为'隐于市'的拟真替代值。回顾性分析2019年11月至2020年11月期间的999份胸片与CT报告（完成标记级PHI标注），联合先前标注的3001份X光片与2193份病历，形成包含6193份文档的多机构跨领域数据集。采用来自已知/新机构的放射测试集及i2b2 2006/2014测试集作为评估基准，比较现有去标识工具性能。通过不同训练集、微调策略与数据增强技术开发多个PHI检测模型，配合合成PHI生成算法。使用精确率、召回率、F1值等指标及配对样本Wilcoxon检验进行评估。最佳模型在已知机构放射报告获得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},
}