Skip to main content
SpringerLink
Log in

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

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

  • Informationstechnologie und Management
  • Published:
Der Radiologe Aims and scope Submit manuscript

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.

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.

This is a preview of subscription content, log in via an institution to check access.

Access this article

Log in via an institution

Price excludes VAT (USA)
Tax calculation will be finalised during checkout.

Instant access to the full article PDF.

Abb. 1
Abb. 2

Literatur

  1. Beyer SE, McKee BJ, Regis SM et al (2017) Automatic Lung-RADS classification with a natural language processing system. J Thorac Dis 9:3114–3122

    Article  PubMed  PubMed Central  Google Scholar 

  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 2018

    Google Scholar 

  3. Cai T, Giannopoulos AA, Yu S et al (2016) Natural language processing technologies in radiology research and clinical applications. Radiographics 36:176–191

    Article  PubMed  PubMed Central  Google Scholar 

  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 31:178

    Article  Google Scholar 

  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 827–832

    Google Scholar 

  6. Demner-Fushman D, Chapman WW, McDonald CJ (2009) What can natural language processing do for clinical decision support? J Biomed Inform 42(5):760–772

    Article  PubMed  PubMed Central  Google Scholar 

  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 62:162–169

    Article  PubMed  Google Scholar 

  8. ELK Stack Dein Fenster in den Elastic Stack. http://www.elastic.co/de/products/kibana. Zugegriffen: 14. Juni 2018

  9. Friedman C (1997) Towards a comprehensive medical language processing system: methods and issues. AMIA Annu Fall Symp, S 595–599

    Google Scholar 

  10. Ganeshan D, Duong PAT, Probyn L et al (2018) Structured reporting in radiology. Acad Radiol 25:66–73

    Article  PubMed  Google Scholar 

  11. Hassanpour S, Langlotz CP, States U (2016) Information extraction from multi-institutional radiology reports. Artif Intell Med 66:29–39

    Article  PubMed  Google Scholar 

  12. Hempel JM, Pinto dos Santos D, Kloeckner R et al (2014) Reporting initiatives. Ein Update zur Befundung in der Radiologie. Radiologe 54:696–699

    Article  PubMed  Google Scholar 

  13. Ip IK, Mortele KJ, Prevedello LM, Khorasani R (2011) Focal cystic pancreatic lesions: assessing variation in radiologists’ management recommendations. Radiology 259:136–141

    Article  PubMed  Google Scholar 

  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 15:865–869

    Article  PubMed  Google Scholar 

  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 73:14–29

    Article  PubMed  Google Scholar 

  16. Langlotz CP (2006) RadLex: a new method for indexing online educational materials. Radiographics 26:1595–1597

    Article  PubMed  Google Scholar 

  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):313–322

    Article  PubMed  Google Scholar 

  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 253:520–531

    Article  PubMed  Google Scholar 

  19. Nadkarni PM, Ohno-Machado L, Chapman WW (2011) Natural language processing: an introduction. J Am Med Inform Assoc 18(5):544–551

    Article  PubMed  PubMed Central  Google Scholar 

  20. Pons E, Braun LMM, Hunink MGM, Kors JA (2016) Natural language processing in radiology: a systematic review. Radiology 279(2):329–343

    Article  PubMed  Google Scholar 

  21. Sokolova M, Lapalme G (2009) A systematic analysis of performance measures for classification tasks. Inf Process Manag 45:427–437

    Article  Google Scholar 

  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):887–896

    Article  PubMed  Google Scholar 

Download references

Förderung

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

Author information

Authors and Affiliations

  1. Klinik und Poliklinik für Diagnostische und Interventionelle Radiologie, Universitätsmedizin, Johannes Gutenberg-Universität Mainz, Langenbeckstr. 1, 55131, Mainz, Deutschland

    F. Jungmann

  2. Zentrum für Orthopädie und Unfallchirurgie, Universitätsmedizin, Johannes Gutenberg-Universität Mainz, Mainz, Deutschland

    S. Kuhn

  3. Empolis Information Management GmbH, Technologiepark Würzburg-Rimpar, 97222, Rimpar, Deutschland

    B. Kämpgen

Authors
  1. F. Jungmann
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. S. Kuhn
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. B. Kämpgen
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to F. Jungmann.

Ethics declarations

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.

Additional information

Redaktion

P. Mildenberger, Mainz

Rights and permissions

Reprints and permissions

About this article

Check for updates. Verify currency and authenticity via CrossMark

Cite this article

Jungmann, F., Kuhn, S. & Kämpgen, B. Grundlagen und Einsatzmöglichkeiten von Natural Language Processing (NLP) in der Radiologie. Radiologe 58, 764–768 (2018). https://doi.org/10.1007/s00117-018-0426-0

Download citation

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s00117-018-0426-0

Schlüsselwörter

Keywords

Search

Navigation