Advertisement

Der Radiologe

, Volume 59, Issue 9, pp 828–832 | Cite as

Natural Language Processing in der Radiologie

Weder trivial noch unerreichbare Magie
  • F. JungmannEmail author
  • S. Kuhn
  • I. Tsaur
  • B. Kämpgen
Informationstechnologie und Management

Zusammenfassung

Hintergrund

Der Bedarf an Anwendungsexpertise im Natural Language Processing (NLP) steigt in der Radiologie an. Denn komplementär zur strukturierten Befundung mittels Templates kann somit die nötige Datenbasis für Qualitätssicherung und kontinuierliche Prozessoptimierung geschaffen werden.

Ziel der Arbeit

Möglichkeiten und Herausforderungen der Anwendung von NLP aus Sicht der Radiologie werden aufgezeigt.

Material und Methoden

Die Anforderungen und Erwartungen an NLP-Systeme werden identifiziert und anhand einer Fallstudie erläutert.

Ergebnisse

Für einen effizienten und erfolgversprechenden Einsatz dieser Technologie sind NLP-Aufgaben zur Interpretation von Text mittels RadLex-Konzepten, eine benutzerfreundliche Nutzungs- und Feedbackmöglichkeit sowie eine stets aktuelle Aussage zur Güte der NLP-Ergebnisse wichtig.

Diskussion

Mit geeigneten NLP-Systemen können gezielte Informationen aus großen Mengen an Freitextsammlungen mit überschaubarem Aufwand in hoher Güte extrahiert werden.

Schlüsselwörter

Künstliche Intelligenz Evaluation RadLex Entscheidungsunterstützung Qualitätssicherung 

Natural language processing in radiology

Neither trivial nor impossible

Abstract

Background

The need for application expertise in natural language processing (NLP) is increasing in radiology. This way, in a complementary fashion to structured reporting using templates, the necessary database for quality assurance and continuous process optimization can be generated.

Objective

Possibilities and challenges of the application of NLP from the radiology point of view are explained.

Materials and methods

The requirements and expectations for NLP systems are identified and demonstrated using a case study.

Results

For an effective use of this technology, NLP tasks for the interpretation of text using RadLex, an intuitive usage and feedback option as well as transparent quality of the NLP results are important.

Discussion

Using suitable NLP systems, targeted information can be extracted from large amounts of free text with manageable manual effort and high quality.

Keywords

Artificial intelligence Evaluation RadLex Decision support Quality assurance 

Notes

Danksagung

Wir danken Daniel Labedzki, Tobias Stening, Philipp Sodmann für die Unterstützung beim Nutzen und Training der Services.

Förderung

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

Einhaltung ethischer Richtlinien

Interessenkonflikt

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

Für diesen Beitrag wurden von den Autoren keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.

Literatur

  1. 1.
    Annarumma M, Withey SJ, Bakewell RJ et al (2019) Automated triaging of adult chest radiographs with deep artificial neural networks. Radiology 291(1):196–202CrossRefGoogle Scholar
  2. 2.
    Arbabshirani MR, Fornwalt BK, Mongelluzzo GJ et al (2018) Advanced machine learning in action: identification of intracranial hemorrhage on computed tomography scans of the head with clinical workflow integration. Npj Digit Med 1(9).  https://doi.org/10.1038/s41746-017-0015-z Google Scholar
  3. 3.
    Fukuhara H, Ichiyanagi O, Midorikawa S et al (2017) Internal validation of a scoring system to evaluate the probability of ureteral stones: The CHOKAI score. Am J Emerg Med 35(12):1859–1866CrossRefGoogle Scholar
  4. 4.
    Huesch MD, Cherian R, Labib S et al (2018) Evaluating report text variation and informativeness: natural language processing of CT chest imaging for pulmonary embolism. J Am Coll Radiol 15(3 Pt B):554–562CrossRefGoogle Scholar
  5. 5.
    Jung K, LePendu P, Iyer S et al (2015) Functional evaluation of out-of-the-box text-mining tools for data-mining tasks. J Am Med Inform Assoc 22(1):121–131Google Scholar
  6. 6.
    Jungmann F, Kuhn S, Kampgen B (2018) Basics and applications of Natural Language Processing (NLP) in radiology. Radiologe 58(8):764–768CrossRefGoogle Scholar
  7. 7.
    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(6):865–869CrossRefGoogle Scholar
  8. 8.
    Kim DH, MacKinnon T (2018) Artificial intelligence in fracture detection: transfer learning from deep convolutional neural networks. Clin Radiol 73(5):439–445CrossRefGoogle Scholar
  9. 9.
    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 73:14–29CrossRefGoogle Scholar
  10. 10.
    Langlotz CP (2006) RadLex: a new method for indexing online educational materials. Radiographics 26(6):1595–1597CrossRefGoogle Scholar
  11. 11.
    Pons E, Braun LM, Hunink MG et al (2016) Natural language processing in radiology: a systematic review. Radiology 279(2):329–343CrossRefGoogle Scholar
  12. 12.
    Sippo DA, Warden GI, Andriole KP et al (2013) Automated extraction of BI-RADS final assessment categories from radiology reports with natural language processing. J Digit Imaging 26(5):989–994CrossRefGoogle Scholar
  13. 13.
    Swartz J, Koziatek C, Theobald J et al (2017) Creation of a simple natural language processing tool to support an imaging utilization quality dashboard. Int J Med Inform 101:93–99CrossRefGoogle Scholar
  14. 14.
    Wang RC, Rodriguez RM, Moghadassi M (2016) External validation of the STONE score, a clinical prediction rule for ureteral stone: an observational multi-institutional study. Ann Emerg Med 67(4):423–432e2CrossRefGoogle Scholar

Copyright information

© Springer Medizin Verlag GmbH, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.Klinik und Poliklinik für Diagnostische und Interventionelle RadiologieUniversitätsmedizin der Johannes Gutenberg-Universität MainzMainzDeutschland
  2. 2.Zentrum für Orthopädie und UnfallchirurgieUniversitätsmedizin der Johannes Gutenberg-Universität MainzMainzDeutschland
  3. 3.Klinik und Poliklinik für Urologie und KinderurologieUniversitätsmedizin der Johannes Gutenberg-Universität MainzMainzDeutschland
  4. 4.Empolis Information Management GmbHKaiserslauternDeutschland

Personalised recommendations