ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ: АВТОМАТИЗИРОВАННЫЙ АНАЛИЗ ТЕКСТА НА ЕСТЕСТВЕННОМ ЯЗЫКЕ ДЛЯ АУДИТА РАДИОЛОГИЧЕСКИХ ИССЛЕДОВАНИЙ

Цель исследования – оценить значимость системы обработки естественного языка для анализа качества протоколов радиологических исследований.

Материал и методы. На базе коммерчески доступной когнитивной системы обработки естественного языка проведен многосторонний анализ протоколов низкодозных компьютерных томографий (НДКТ) органов грудной клетки. Выполнена оценка применимости искусственного интеллекта для выявления расхождений в описаниях исследований (количественный анализ) и для оценки приверженности врачей-радио-логов рекомендациям по ведению очагов в соответствии сLung-RADS-2014 (качественный анализ).

Результаты. Согласно результатам количественного анализа, в 8,3% протоколов НДКТ содержались расхождения между описанием и заключением. Суть расхождений – значимый элемент, например наличие очагов в легких, указан лишь в одном компоненте протокола. Данное расхождение несет потенциальные риски и должно учитываться в процессе аудита качества радиологических исследований. Результаты качественного анализа: для очагов Lung-RADS 3 рекомендованные принципы ведения пациентов использованы в 46% случаев, для LungRADS 4А – в 42%, а для Lung-RADS 4B – в 49%.

Заключение. Согласованность решений при использовании системы обработки естественного языка в рамках аудита радиологических исследований составляет 95–96%. Можно констатировать факт применимости системы обработки естественного языка в качестве инструмента для аудита радиологических исследований.

1. Brady A. Error and discrepancy in radiology: inevitable or avoidable? Ins. Imag.2017; 1 (8): 171–82.

2. Larson D.B., Donnelly L.F., Podberesky D.J., Merrow A.C., Sharpe R.E. Jr, Kruskal J.B. Peer feedback, learning, and improvement: answering the call of the institute of medicine report on diagnostic error 1. Radiology. 2017; 283 (1): 231–41. DOI: 10.1148/radiol.2016161254

3. Walker E.A., Petscavage-Thomas J.M., Fotos J.S., Bruno M.A. Quality metrics currently used in academic radiology departments: results of the QUALMET survey. Br. J. Radiol. 2017; 90 (1071): 20160827. DOI: 10.1259/bjr.20160827

4. Morozov S., Guseva E., Ledikhova N., Vladzymyrskyy A., Safronov D. Telemedicine-based system for quality management and peer review in radiology. Ins. Imag. 2018; 9 (3): 337–41. DOI: 10.1007/s13244-018-0629-y

5. Морозов С.П., Переверзев М.О. Лучевая диагностика – авангард информатизации здравоохранения. Российский электронный журнал лучевой диагностики. 2013; 3: 41–50.

6. Полищук Н.С., Ветшева Н.Н., Косарин С.П., Морозов С.П., Кузьмина Е.С. Единый радиологический информационный сервис как инструмент организационно-методической работы Научно-практического центра медицинской радиологии Департамента здравоохранения г. Москвы. Радиология–практика.2018; 1 (67): 6–17.

7. Гусев А.В. Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения. Врач и информационные технологии.2017; 3: 92–105.

8. Clark T.J., Flood T.F., Maximin S.T., Sachs P.B. Lung CT screening reporting and data system speed and accuracy are increased with the use of a semiautomated computer application. J. Am. Coll. Radiol. 2015; 12 (12 Pt A): 1301–6.

9. Барчук А.А., Арсеньев А.И., Беляев А.М., Гомболевский В.А., Нефедова А.В., Канаев С.В. и др. Эффективность скрининга онкологических заболеваний. Вопросы онкологии. 2017; 4: 557–67.

10. Гомболевский В.А., Барчук А.А., Лайпан А.Ш., Ветшева Н.Н., Владзимирский А.В., Морозов С.П. Организация и эффективность скрининга злокачественных образований легких методом низкодозной компьютерной томографии. Радиология–практика. 2018; 1 (67): 28–36.

11. Гомболевский В.А., Харламов К.А., Пятницкий И.А., Ким С.Ю., Морозов С.П. Шаблоны протоколов описаний исследований по специальности «рентгенология». Компьютерная томография. Методические рекомендации. 2016; 23: 13–4. URL: http://medradiology.moscow/d/1364488/d/metodicheskiye_rekomendatsii_no_23_2016_g_shablony_protokolov_opisaniy_kt_issledovaniy.pdf (дата обращения 20.10.2018).

12. Басманов С.Н., Басманова А.А. Обзор эволюции экспертных систем в медицине с точки зрения соответствия основным признакам. Перспективы развития информационных технологий. 2014; 21: 126–30.

13. Bulu H., Sippo D.A., Lee J.M., Burnside E.S., Rubin D.L. Proposing new radlex terms by analyzing free-text mammography reports. J. Digit. Imag. 2018. DOI: 10.1007/s10278-018-0064-0

14. Goff D.J., Loehfelm T.W. Automated radiology report summarization using an open-source natural language processing pipeline. J. Digit. Imag.2018; 31 (2): 185–92. DOI: 10.1007/s10278-017-0030-2

15. Huesch M.D., Cherian R., Labib S., Mahraj R. Evaluating report text variation and informativeness: natural language processing of CT chest imaging for pulmonary embolism. J. Am. Coll. Radiol. 2018; 15 (3 Pt B): 554–62. DOI: 10.1016/j.jacr.2017.12.017

16. Kahn C.E. Jr. An ontology-based approach to estimate the frequency of rare diseases in narrative-text radiology reports. Stud. Health. Technol. Inform. 2017; 245: 896–900.

17. Percha B., Zhang Y., Bozkurt S., Rubin D., Altman R.B., Langlotz C.P. Expanding a radiology lexicon using contextual patterns in radiology reports. J. Am. Med. Inform. Assoc.2018; 10. DOI: 10.1093/jamia/ocx152

18. Pons E., Braun LM., Hunink M.G., Kors J.A. Natural language processing in radiology: a systematic review. Radiology. 2016; 279 (2): 329–43. DOI: 10.1148/radiol.16142770

19. Gálvez J.A., Pappas J.M., Ahumada L., Martin J.N., Simpao A.F., Rehman M.A. et al. The use of natural language processing on pediatric diagnostic radiology reports in the electronic health record to identify deep venous thrombosis in children. J. Thromb. Thrombolysis. 2017. DOI: 10.1007/s11239-017-1532-y

20. Tian Z., Sun S., Eguale T., Rochefort C.M. Automated extraction of VTE events from narrative radiology reports in electronic health records: a validation study. Med. Care. 2017; 55 (10): e73–e80. DOI: 10.1097/MLR.0000000000000346

21. Trivedi H., Mesterhazy J., Laguna B., Vu T., Sohn J.H. Automatic determination of the need for intravenous contrast in musculoskeletal MRI examinations using IBM Watson's natural language processing algorithm. J. Digit. Imag. 2017; 18. DOI: 10.1007/s10278-017-0021-3

22. Guimaraes C.V., Grzeszczuk R., Bisset G.S. 3rd, Donnelly L.F. Comparison between manual auditing and a natural language process with machine learning algorithm to evaluate faculty use of standardized reports in radiology. J. Am. Coll. Radiol.2018; 15 (3 Pt B): 550–3. DOI: 10.1016/j.jacr.2017.10.042

23. Humphrey L.L., Deffebach M., Pappas M., Zakher B., Fu R., Slatore C.G. et al. Screening for lung cancer with lowdose computed tomography: a systematic review to update the U.S. Preventive services task force recommendation. Ann. Int. Med. 2013; 159 : 411–20.

24. Oudkerk M., Devaraj A., Vliegenthart R., Henzler T., Prosch H., Heussel C.P. European position statement on lung cancer screening. Lancet Oncol. 2017; 18 (12): 754–66.

25. Beyer S.E., McKee B.J., Regis S.M., McKee A.B., Flacke S., El Saadawi G. et al. Automatic LungRADS™ classification with a natural language processing system. J. Thorac. Dis. 2017; 9 (9): 3114–22. DOI: 10.21037/jtd.2017.08.13

26. Lacson R., Prevedello L.M., Andriole K.P., Gill R., LenociEdwards J., Roy C. et al. Factors associated with radiologists' adherence to Fleischner Society guidelines for management of pulmonary nodules.J. Am. Coll. Radiol. 2012; 9 (7): 468–73. DOI: 10.1016/j.jacr.2012.03.009