其他行业 · AI应用
利用神经网络提取癌症数据
橡树岭国家实验室 (ORNL) 的研究人员面临从大量复杂非结构化的癌症病理报告中高效提取信息的挑战。他们开发了基于AI的工具，利用自然语言处理和多任务卷积神经网络 (MTCNN) 分析9.5万份报告。该工具在提取原发癌部位和组织学类型等关键信息方面优于之前的机器学习模型，有助于发现癌症诊断和治疗反应趋势，改善患者护理和临床决策。
提取性能
深度学习模型在全部五项提取任务的微观和宏观得分上均超越先前机器学习模型
来源披露
效率提升
硬参数共享多任务模型超越其他四种模型，并减少了计算时间和能耗
来源披露
01
业务背景
橡树岭国家实验室 (ORNL) 的研究人员面临从大量复杂非结构化的癌症病理报告中高效提取信息的挑战。他们开发了基于AI的工具，利用自然语言处理和多任务卷积神经网络 (MTCNN) 分析9.5万份报告。该工具在提取原发癌部位和组织学类型等关键信息方面优于之前的机器学习模型，有助于发现癌症诊断和治疗反应趋势，改善患者护理和临床决策。
02
遇到的问题
手动从癌症病理报告中提取信息成本高、耗时长且易出错；病理报告常存在语法错误、碎片化、拼写错误及不同病理学家的语言差异，使提取更加困难。
03
AI 解决方案
开发基于深度学习的自然语言处理工具，采用多任务卷积神经网络（MTCNN），在95,000份路易斯安那州肿瘤登记处的病理报告上训练，用于提取原发癌部位、侧向性、行为、组织学类型和组织学分级等五类关键信息；模型在NVIDIA V100 GPU和cuDNN加速的TensorFlow框架上训练，推理使用P100 GPU，并计划部署至癌症登记处以辅助人工工作。
04
实施结果
提取性能：深度学习模型在全部五项提取任务的微观和宏观得分上均超越先前机器学习模型（未披露）
效率提升：硬参数共享多任务模型超越其他四种模型，并减少了计算时间和能耗（未披露）
05
风险与边界
未披露
“The goal is not to replace the human but rather augment the human.”
Gina Tourassi · director of the Health Data Sciences Institute and the National Center for Computational Sciences at ORNL
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。