Advertisement

Der Radiologe

, Volume 58, Issue 8, pp 764–768 | Cite as

Grundlagen und Einsatzmöglichkeiten von Natural Language Processing (NLP) in der Radiologie

  • F. Jungmann
  • S. Kuhn
  • B. Kämpgen
Informationstechnologie und Management

Zusammenfassung

Hintergrund

Aufgrund der stetig zunehmenden Anforderungen in der Radiologie sind Applikationen gefragt, die eine Qualitätssicherung und eine kontinuierliche Prozessoptimierung ermöglichen.

Ziel der Arbeit

Erläuterung der Prinzipien des Natural Language Processing (NLP) als computerbasierte Methode zur Strukturierung von frei formulierten Texten und Skizzierung von Anwendungsszenarien.

Material und Methoden

Die Strukturierung von Texten gelingt durch mehrere Theorien, linguistische Techniken (Wortbedeutungen, Wortkontext, Verneinungen), statistische Methoden mit Regeln und aktuell mit Deep-Learning-Ansätzen. Zur Kodierung von Befundinhalten bieten sich medizinische Lexika an, wie beispielweise RadLex®. NLP wurde in der eigenen radiologischen Klinik zur Überprüfung der internen Befundqualität an 3756 CT-Befunden angewendet.

Ergebnisse

In der eigenen Fallstudie erwies sich NLP als hilfreiches, automatisiertes Werkzeug zur internen Qualitätsprüfung.

Diskussion

NLP bietet zahlreiche Anwendungsmöglichkeiten zur Entscheidungsunterstützung und zur Qualitätssicherung in der Radiologie.

Schlüsselwörter

Radiologischer Befundbericht Künstliche Intelligenz Radlex Qualitätsmanagement Entscheidungsunterstützung 

Basics and applications of Natural Language Processing (NLP) in radiology

Abstract

Background

Due to the increasing demands in radiology, applications that enable quality assurance and continuous process optimization are required.

Objective

The principles of Natural Language Processing (NLP) as a computer-based method for structuring of free text reports are explained and application scenarios are sketched.

Materials und methods

The structuring of free texts succeeds by several theories, linguistic techniques (word meanings, word context, negations), statistical methods with rules and currently with deep learning approaches. Medical encyclopedias, such as RadLex®, are suitable for coding findings. NLP was used in our own radiology clinic to check the quality of 3756 CT reports.

Results

In our case study, NLP proved to be a helpful, automated tool for internal quality testing.

Discussion

NLP offers numerous application scenarios for decision support and for quality management in radiology.

Keywords

Radiology report narrative Artificial intelligence Radlex Quality management Decision support 

Notes

Förderung

Teile dieser Arbeit wurden durch das BMWi im ZIM-Projekt „MyReportCheck“ (FKZ: ZF4513702TS8) gefördert.

Einhaltung ethischer Richtlinien

Interessenkonflikt

B. Kämpgen ist Angestellter der Empolis Information Management GmbH. F. Jungmann und S. Kuhn geben an, dass kein Interessenkonflikt besteht.

Dieser Beitrag beinhaltet keine von den Autoren durchgeführten Studien an Menschen oder Tieren.

Literatur

  1. 1.
    Beyer SE, McKee BJ, Regis SM et al (2017) Automatic Lung-RADS classification with a natural language processing system. J Thorac Dis 9:3114–3122CrossRefPubMedPubMedCentralGoogle Scholar
  2. 2.
    Bundesamt für Strahlenschutz (2017) Häufigkeit Röntgendiagnostik. http://www.bfs.de/SharedDocs/Bilder/BfS/DE/ion/medizin/roentgen-diagnostik-haeufigkeit.jpg?__blob=poster&v=7. Zugegriffen: 14. Juni 2018Google Scholar
  3. 3.
    Cai T, Giannopoulos AA, Yu S et al (2016) Natural language processing technologies in radiology research and clinical applications. Radiographics 36:176–191CrossRefPubMedPubMedCentralGoogle Scholar
  4. 4.
    Chen P‑H, Zafar H, Galperin-Aizenberg M, Cook T (2017) Integrating natural language processing and machine learning algorithms to categorize oncologic response in radiology reports. J Digit Imaging 31:178CrossRefGoogle Scholar
  5. 5.
    Chiticariu L, Li Y, Reiss FR (2013) Rule-based information extraction is dead! Long live rule-based information extraction systems! EMNLP 2013 – 2013 Conference on Empirical Methods in Natural Language Processing, S 827–832Google Scholar
  6. 6.
    Demner-Fushman D, Chapman WW, McDonald CJ (2009) What can natural language processing do for clinical decision support? J Biomed Inform 42(5):760–772CrossRefPubMedPubMedCentralGoogle Scholar
  7. 7.
    Dutta S, Long WJ, Brown DFM, Reisner AT (2013) Automated detection using natural language processing of radiologists recommendations for additional imaging of incidental findings. Ann Emerg Med 62:162–169CrossRefPubMedGoogle Scholar
  8. 8.
    ELK Stack Dein Fenster in den Elastic Stack. http://www.elastic.co/de/products/kibana. Zugegriffen: 14. Juni 2018
  9. 9.
    Friedman C (1997) Towards a comprehensive medical language processing system: methods and issues. AMIA Annu Fall Symp, S 595–599Google Scholar
  10. 10.
    Ganeshan D, Duong PAT, Probyn L et al (2018) Structured reporting in radiology. Acad Radiol 25:66–73CrossRefPubMedGoogle Scholar
  11. 11.
    Hassanpour S, Langlotz CP, States U (2016) Information extraction from multi-institutional radiology reports. Artif Intell Med 66:29–39CrossRefPubMedGoogle Scholar
  12. 12.
    Hempel JM, Pinto dos Santos D, Kloeckner R et al (2014) Reporting initiatives. Ein Update zur Befundung in der Radiologie. Radiologe 54:696–699CrossRefPubMedGoogle Scholar
  13. 13.
    Ip IK, Mortele KJ, Prevedello LM, Khorasani R (2011) Focal cystic pancreatic lesions: assessing variation in radiologists’ management recommendations. Radiology 259:136–141CrossRefPubMedGoogle Scholar
  14. 14.
    Kim DC, Herskovits EH, Johnson PT (2018) Science to practice: IT solutions to drive standardized report recommendations for abdominal aortic aneurysm surveillance. J Am Coll Radiol 15:865–869CrossRefPubMedGoogle Scholar
  15. 15.
    Kreimeyer K, Foster M, Pandey A et al (2017) Natural language processing systems for capturing and standardizing unstructured clinical information: a systematic review. J Biomed Inform 73:14–29CrossRefPubMedGoogle Scholar
  16. 16.
    Langlotz CP (2006) RadLex: a new method for indexing online educational materials. Radiographics 26:1595–1597CrossRefPubMedGoogle Scholar
  17. 17.
    Larson DB, Chen MC, Lungren MP et al (2017) Performance of a deep-learning neural network model in assessing skeletal maturity on pediatric hand radiographs. Radiology 287(1):313–322CrossRefPubMedGoogle Scholar
  18. 18.
    Mettler FA, Bhargavan M, Faulkner K et al (2009) Radiologic and nuclear medicine studies in the United States and worldwide: frequency, radiation dose, and comparison with other radiation sources—1950–2007. Radiology 253:520–531CrossRefPubMedGoogle Scholar
  19. 19.
    Nadkarni PM, Ohno-Machado L, Chapman WW (2011) Natural language processing: an introduction. J Am Med Inform Assoc 18(5):544–551CrossRefPubMedPubMedCentralGoogle Scholar
  20. 20.
    Pons E, Braun LMM, Hunink MGM, Kors JA (2016) Natural language processing in radiology: a systematic review. Radiology 279(2):329–343CrossRefPubMedGoogle Scholar
  21. 21.
    Sokolova M, Lapalme G (2009) A systematic analysis of performance measures for classification tasks. Inf Process Manag 45:427–437CrossRefGoogle Scholar
  22. 22.
    Yasaka K, Akai H, Abe O, Kiryu S (2017) Deep learning with convolutional neural network for differentiation of liver masses at dynamic contrast-enhanced CT: a preliminary study. Radiology 286(3):887–896CrossRefPubMedGoogle Scholar

Copyright information

© Springer Medizin Verlag GmbH, ein Teil von Springer Nature 2018

Authors and Affiliations

  1. 1.Klinik und Poliklinik für Diagnostische und Interventionelle Radiologie, UniversitätsmedizinJohannes Gutenberg-Universität MainzMainzDeutschland
  2. 2.Zentrum für Orthopädie und Unfallchirurgie, UniversitätsmedizinJohannes Gutenberg-Universität MainzMainzDeutschland
  3. 3.Empolis Information Management GmbHTechnologiepark Würzburg-RimparRimparDeutschland

Personalised recommendations