文章介紹
與異常發現無關的否定和推測，可能導致自動放射學報告的高度關注或實驗室資訊系統標記的假陽性警報。
翁國勛醫師團隊想要評估自然語言處理方法（NegEx、NegBio、NegBERT 和transformers）的性能。
團隊對報告中所有與異常發現無關的否定和推測語句進行了標記。在實驗 1 中，對多個變換器模型 ALBERT、BERT、DeBERTa、DistilBERT、ELECTRA、ERNIE、RoBERTa、SpanBERT 和 XLNet 進行了微調，並比較它們的性能，使用精確度、召回率、準確度和F1 分數。在實驗 2 中，將實驗 1 中的最佳模型與 3 個確立的否定和推測檢測算法（NegEx、NegBio 和 NegBERT）進行了比較。
研究從奇美醫院的 3 個分院收集了 6000 份放射學報告，涵蓋多種影像學模式和身體部位。在與異常發現無關的文字中，有 15.01% 的單詞和 39.45% 的重要診斷關鍵詞是以否定或推測陳述詞彙出現的。在實驗 1 中，所有模型在測試數據集上展現準確度 >0.98 和 F1 分數 >0.90。ALBERT 表現最佳（準確度 = 0.991；F1 分數 = 0.958）。
在實驗 2 中，ALBERT 在總體性能（準確度 = 0.996；F1 分數 = 0.991）、在預測診斷關鍵詞是否出現在與異常發現無關的推測陳述中，以及在改善關鍵詞提取性能（準確度 = 0.996；F1 分數 = 0.997）方面，優於優化的 NegEx、NegBio 和 NegBERT。
翁國勛醫師團隊的研究結果發現 ALBERT 深度學習方法表現最佳，對於研發電腦輔助通知系統的臨床應用，有實際幫助。
恭喜翁醫師！
考專科需要一篇以第一作者發表的 original article，但只有 case report 的發表經驗嗎？內文要寫哪些重點？新思惟與你分享「最好的寫法」！
