编辑推荐：
为解决放射学检查请求中临床信息不足和电子健康记录（EHRs）查阅繁琐的问题，研究人员开展自动临床笔记摘要工具的研究。该模型可将临床笔记精简 97%，与放射科医生总结高度契合，对提高放射学报告效率和准确性有重要意义。
在放射学检查请求中提供的临床信息不足，再加上电子健康记录（EHRs）使用起来十分繁琐，这给放射科医生提取相关临床数据、编写详细的放射学报告带来了巨大挑战。鉴于查阅电子病历（EMR）面临诸多难题且耗时较长，一种能在准确压缩文本的同时保留关键语义信息的自动化方法，可显著提高放射科医生的工作流程效率。本研究旨在开发并展示一种用于临床笔记摘要的自动化工具，以提取与放射学评估最相关的临床信息。研究采用自然语言处理领域的迁移学习方法，对 Transformer 模型进行微调，用于提取临床报告的摘要。研究使用了包含 970 名接受膝关节磁共振成像（MRI）患者的 1000 份临床笔记的数据集，这些笔记均由放射科医生手动总结。微调过程分两个阶段，先是自监督去噪，然后聚焦于摘要任务。该模型成功将临床笔记压缩了 97%，与放射科医生撰写的摘要相似度很高，余弦相似度达 0.9，ROUGE-1 评分达 40.18。此外，统计分析（Fleiss kappa 评分 0.32）表明，与检查请求中包含的临床病历相比，专家们对该模型生成更相关临床病历的有效性有一定程度的认可。该模型有效地对膝关节 MRI 研究的临床笔记进行了摘要，展现出提高放射学报告效率和准确性的潜力。
生物通微信公众号
