Skip to main content
SpringerLink
Log in

Natural Language Processing in der Radiologie

Weder trivial noch unerreichbare Magie

Natural language processing in radiology

Neither trivial nor impossible

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

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.

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.

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.

Institutional subscriptions

Abb. 1
Abb. 2

Literatur

  1. Annarumma M, Withey SJ, Bakewell RJ et al (2019) Automated triaging of adult chest radiographs with deep artificial neural networks. Radiology 291(1):196–202

    Article  PubMed  Google Scholar 

  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

    Article  PubMed  PubMed Central  Google Scholar 

  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):1859–1866

    Article  PubMed  Google Scholar 

  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):554–562

    Article  PubMed  Google Scholar 

  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):121–131

    PubMed  Google Scholar 

  6. Jungmann F, Kuhn S, Kampgen B (2018) Basics and applications of Natural Language Processing (NLP) in radiology. Radiologe 58(8):764–768

    Article  CAS  PubMed  Google Scholar 

  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):865–869

    Article  PubMed  Google Scholar 

  8. Kim DH, MacKinnon T (2018) Artificial intelligence in fracture detection: transfer learning from deep convolutional neural networks. Clin Radiol 73(5):439–445

    Article  CAS  PubMed  Google Scholar 

  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 73:14–29

    Article  PubMed  Google Scholar 

  10. Langlotz CP (2006) RadLex: a new method for indexing online educational materials. Radiographics 26(6):1595–1597

    Article  PubMed  Google Scholar 

  11. Pons E, Braun LM, Hunink MG et al (2016) Natural language processing in radiology: a systematic review. Radiology 279(2):329–343

    Article  PubMed  Google Scholar 

  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):989–994

    Article  PubMed  PubMed Central  Google Scholar 

  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 101:93–99

    Article  PubMed  Google Scholar 

  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):423–432e2

    Article  PubMed  Google Scholar 

Download references

Danksagung

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

Funding

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 der Johannes Gutenberg-Universität Mainz, Langenbeckstr. 1, 55131, Mainz, Deutschland

    F. Jungmann

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

    S. Kuhn

  3. Klinik und Poliklinik für Urologie und Kinderurologie, Universitätsmedizin der Johannes Gutenberg-Universität Mainz, Mainz, Deutschland

    I. Tsaur

  4. Empolis Information Management GmbH, Kaiserslautern, 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. I. Tsaur
    View author publications

    You can also search for this author in PubMed Google Scholar

  4. 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

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.

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., Tsaur, I. et al. Natural Language Processing in der Radiologie. Radiologe 59, 828–832 (2019). https://doi.org/10.1007/s00117-019-0555-0

Download citation

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s00117-019-0555-0

Schlüsselwörter

Keywords

Search

Navigation