腰椎影像报告KG-BERT标注模型

少样本即高精准

用知识图谱驱动数据增强，解决医疗影像报告标注数据稀缺问题，小样本即可训练高性能自动标注模型。

Yuxuan, Zhang · Liu, Ming · 李传富 · 汤进

Academic Radiology 2025

参数信息

精度

0.932

F1分数

0.881

平均F1分数

0.979

技术优势

少样本高精度

仅用2000例标注数据，知识图谱增强后模型即可达到高精度，无需大量人工标注。

结合同义词与替代词增强最佳

在1:100增强比下，结合同义词和替代词的方法F1达0.881，优于仅用同义词（0.815）或仅用替代词（0.753）。

针对性补充提升模型

针对验证集表现不佳的节点补充训练数据，平均F1提升至0.979。

应用场景

• 医学影像智能报告：替代放射科医生逐份手写报告，自动生成结构化影像所见。
• 放射科工作流自动化：嵌入PACS/RIS流程，报告完成后实时自动编码，缩短报告周转时间。
• 临床数据治理：将非结构化文本转化为标准化标签，用于构建高质量影像数据库。