Detección automática de metástasis a distancia descrita en reportes de imagenología mediante el uso de procesamiento de lenguaje natural

Abstract

Antecedentes: La mortalidad por cáncer se produce principalmente por la progresión del tumor a la etapa de metástasis a distancia. Uno de los criterios para determinar progresión a esta etapa es un examen de imagenología o medicina nuclear. Realizar un tratamiento curativo depende, muchas veces, de la ausencia de metástasis a distancia. Por lo que contar con esta información permite la gestión y priorización de pacientes en lista de espera por intervenciones o tratamientos. Problema: La metástasis a distancia no se encuentra estandarizada en el registro clínico electrónico del Instituto Oncológico de la Fundación Arturo López Pérez, sino que está en formato de texto libre. Esto dificulta el acceso para la gestión clínica y, detectar manualmente estos hallazgos, consume horas de personal. Por otro lado, la pesquisa de metástasis a distancia se realiza con el análisis de cada reporte de imagenología o medicina nuclear en texto libre, desde donde tampoco se puede extraer la condición de metástasis a distancia de manera automática. Solución: En esta tesis se propone el desarrollo de un modelo de procesamiento del lenguaje natural capaz de detectar la metástasis a distancia en reportes de imagenología y medicina nuclear y clasificarlos según la presencia o ausencia de esta. Método: A partir de un corpus anotado con menciones de metástasis afirmativas, negadas o inciertas, se entrenó un modelo de reconocimiento de entidades nombradas basado en una red neuronal recurrente capaz de extraer automáticamente los hallazgos de metástasis a distancia y a partir de ellos, clasificar a nivel de documento cada reporte. Se comparó el rendimiento, medido en precisión, exhaustividad y F1-score, de este modelo con un algoritmo basado en reglas, que se utilizó como línea de base. Resultados: Es posible detectar metástasis a distancia de cáncer de próstata, cáncer de mama y cáncer colorrectal en reportes de imagenología y medicina nuclear, utilizando métodos de procesamiento de lenguaje natural. Se logró detectar entidades de metástasis a distancia al interior del texto clínico con una media balanceada de rendimiento de 0,856 medido en F1-score. Además, se clasificó los documentos utilizando aprendizaje profundo con rendimientos máximos, medidos en F1-score, de 0,90 para documentos sin metástasis a distancia (M0) y 0,87 para documentos que sí presentaban metástasis a distancia (M1).

Background: Cancer mortality is mainly caused by progression of the tumor to the distant metastatic stage. One of the criteria to determine progression to this stage is an imaging or nuclear medicine examination. Curative treatment often depends on the absence of distant metastases. Having this information allows the management and prioritization of patients on the waiting list for interventions or treatments. Problem: Distant metastasis is not standardized in the electronic health record of the Oncology Institute of the Arturo López Pérez Foundation, but is in free text format. This makes it difficult to access for clinical management, and manually detecting these findings consumes staff hours. On the other hand, the screening for distant metastases is performed with the analysis of each radiology or nuclear medicine report in free text, from where the distant metastasis condition cannot be extracted automatically either. Solution: In this thesis we propose the development of a natural language processing model capable of detecting distant metastasis in radiology and nuclear medicine reports and classifying them according to the presence or absence of it. Methods: A named entity recognition model based on a recurrent neural network was developed based on an annotated corpus with affirmative, denied or uncertain metastasis mentions. This model was capable of automatically extracting distant metastasis findings and classifying each report at document level. The performance, measured in precision, completeness and F1-score, of this model was compared with a rule-based algorithm, which was used as a baseline. Results: It is possible to detect distant metastases of prostate cancer, breast cancer and colorectal cancer in imaging and nuclear medicine reports using natural language processing methods. We were able to detect distant metastasis entities within the clinical text with a balanced mean performance of 0,856 measured in F1-score. In addition, documents were classified using deep learning with maximum F1-score performances of 0.90 for documents without distant metastases (M0) and 0.87 for documents with distant metastases (M1).