基于临床BERT的多癌种病理报告结构化自然语言处理框架的开发与跨机构验证

《Scientific Reports》：Development and open-source release of a multi-cancer module for structuring pathology reports

　　

摘要

病理报告包含临床上至关重要的信息；然而，其半结构化或自由文本格式在很大程度上限制了其在大规模癌症研究中的二次使用。因此，需要可扩展、可重复的方法将这些报告转化为跨机构的结构化数据集。本研究旨在开发、外部验证并公开发布一个可扩展的自然语言处理（NLP）框架，用于对多癌种病理报告进行结构化处理，并支持可重复的、机构间可迁移的研究工作流。我们开发了一个基于临床BERT的自然语言处理框架，用于从五种癌症类型的病理报告中自动提取结构化变量。该流程整合了数据预处理、标注、基于问答方法的模型训练以及训练模型的公开发布。训练后的模型被应用于来自两个外部机构的独立数据集，且无需重新训练，从而实现对跨机构表现力的直接评估。在内部验证中，模型在各癌种上均表现出持续稳定的优异性能，平均F1分数范围为0.945至0.977，中位F1分数超过0.99。在外部验证中，各机构的性能显著下降，乳腺癌的平均F1分数降至0.623，0.427，肾癌、甲状腺癌、肝癌和结直肠癌也观察到类似的下降（ΔF1范围为?0.209至?0.518）。尽管存在下降，模型在外部数据集上仍保持了具有临床意义的中等性能。我们开发并验证了一个可扩展、可重复使用的多癌种病理报告自然语言处理框架，适用于跨机构场景。通过公开发布训练好的模型和处理流程，本研究推进了用于临床数据整合和多中心癌症研究的可重复、可部署的自然语言处理基础设施。