患者定期继续在其他设施中进行评估或治疗,而不是他们开始他们,以前的成像研究作为CD-ROM,并要求新医院的临床工作人员将这些研究导入其本地数据库。然而,在不同的设施之间,命名法,内容甚至医疗程序之间的标准可能会有所不同,通常需要人为干预,以准确地将所接受的研究在受援所在医院的标准中进行分类。在这项研究中,作者呈现MOMO(模态映射和编排),一种基于深入的学习方法,用于利用元数据子字符串匹配和神经网络集合来自动化该映射过程,培训以识别七种不同的76个最常见的成像研究方式。进行回顾性研究以测量该算法可以提供的准确性。为此,从当地医院的PACS数据库检索了一组11,934个与现有标签的成像系列,以培训神经网络。一套843个完全匿名的外部研究被手动标记为评估我们算法的性能。另外,进行烧蚀研究以测量算法中网络集合的性能影响,并进行商业产品的比较性能测试。与商业产品相比(预测功率为82.86%,精度为82.86%,1.36%的小错误),单独的神经网络集合单独使用较低的准确度进行分类任务(预测功率为99.05%,精度为72.69%,较小误差10.3%)。然而,MOMO以准确性大的裕度优于大幅度,并且具有增加的预测功率(预测功率为99.29%,精度为92.71%,2.63%的小错误)。
translated by 谷歌翻译