目标

对于急诊科患者，通过胸部CT发现的偶发肺结节（ILNs）可能早期检测肺癌。然而，急诊影像学中偶发发现的沟通和随访存在显著错误，特别是由于非结构化的放射学报告。自然语言处理（NLP）可帮助识别需要随访的ILNs， potentially减少因错过随访而导致的错误。开发了一个开放访问的三步NLP流程专门用于此目的。

方法

这项回顾性研究使用了2014年至2021年三个急诊科进行的26,545例胸部CT队列。随机选择的胸部CT报告由MD评分者使用Prodigy软件进行注释，以开发逐步NLP“流程”，首先排除既往或已知恶性肿瘤，确定肺结节的存在，然后分类任何推荐的随访。NLP使用SpaCy平台上的RoBERTa大语言模型开发，并使用Docker部署为开放访问软件。NLP开发后，应用于1000份CT报告，这些报告经过手动审查以确定准确性，使用接受的NLP指标：精确度（阳性预测值）、召回率（敏感性）和F1分数（平衡精确度和召回率）。

结果

恶性肿瘤的精确度、召回率和F1分数分别为0.85、0.71和0.77；结节的为0.87、0.83和0.85；随访的为0.82、0.90和0.85。在无恶性肿瘤且有结节存在的情况下，随访的总体准确率为93.3%。总体推荐随访率为12.4%，其中10.1%的患者有已知或既往恶性肿瘤的证据。

结论

开发了一个准确的、开放访问的流程，以识别急诊胸部CT上推荐随访的ILNs。虽然推荐随访的 prevalence 低于一些先前的研究，但它更准确地反映了无既往或已知恶性肿瘤的真正偶发发现的 prevalence。 incorporating 此工具可以通过改进ILNs的识别、沟通和跟踪来减少错误。

利益冲突声明

作者声明无利益冲突。

数据可用性声明

支持本研究结果的数据可根据通讯作者的要求提供。由于隐私或伦理限制，数据不公开可用。