Dana-Farber癌症探讨所的科学家曾经声明，人力智能用具的体现与人类点评者一样，而且可行更快速地从肺癌患者的非构造化放射学汇报中提取相关肿瘤浮动的临床消息。

人力智能用具与受过训练的人类“策展人”在检验癌症存留方面的体现差不多; 以及它能否对治疗干预做出反映，稳固或恶化。

该探讨的目的是相应的作者，医学博士，公共卫生硕士，医学肿瘤学家和Dana-Faber人数科学系的教员，该探讨的目的是确定人力智能用具能否可行从放射学中提取最高价格的癌症结果汇报，这是一种没有处不在但非构造化的数据源。

Kehl指明，电子健康纪录此刻收集了在像Dana-Farber这样的中心见到的数千名患者的大批消息。然则，唯有患者参与临床试验，不然相关其结果的消息，比如它们的癌症能否因治??疗而增添或缩短，仅纪录在病历的文本中。从历史上看，这类非构造化消息不适用于计算剖析，因而不行用于探讨治疗的有用性。

源于Dana-Farber / Brigham和女性癌症中心的Profile计划剖析了患者肿瘤样本，并组建了可行预测治疗反映性的基因组变异，Dana-Farber探讨人士积累了大批对于患者的分子消息。 '癌症。“可是，假如不对患者的医疗纪录发展深入审查以衡量其结果，可行不容易利用这点消息来理解哪些分子形式可行预测治疗成果。这是实现精确医学悉数潜力的要害阻碍，”Kehl说。

关于日前的探讨，Kehl及其同事为1,112名患者得到了超越14,000份成像汇报，并运用“PRISSMM”构架手动检查纪录。PRISSMM是Dana-Farber开发的一个物质数据准则，它从电子健康纪录中的文本汇报中获取非构造化数据并建立他们，以便可行轻松剖析他们。PRISSMM建立相关患者病理学，放射学/成像，体征/症状，分子标志物和肿瘤内科医师估价的数据，以组建癌症患者旅程的肖像。

人类点评员剖析了成像文本汇报，并指明癌症能否存留，假如存留，能否正好恶化或改进，以及癌症能否已分散到特定的身体部位。接下来，这点汇报用于训练计算“ 深度学习 ”模子，以从文本汇报中辩别这点结果。作者写道：“咱们的假设是深度学习算法可行运用常规生成的放射学文本汇报来确定癌症的存留及其随时间的浮动水平。”

探讨人士对人体和计算机测量结果发展了相比，如没有病生存，没有进展生存，改进或反映时间，并发觉人力智能算法可行复制人类对这点结果的估价。在深学习算法接下来被利用到注释为1,294患者的纪录无被人力检查另一种15000个汇报。作者发觉，这点患者的计算机结果测量结果可行预测人力估价中人力估价的明确性。

人类策展人能够为每小时约3名患者注释成像汇报，一名策展人须要大约6个月的时间来为该队列中的患者注释全部近30,000份成像汇报。探讨人士在JAMA Oncology的一份汇报中说，比较以下，探讨人士开发的人力智能模子可行在大约10分钟内为该队列的成像汇报注释。

“为了组建真实的肿瘤学习健康体系并推进大范围提供精确医学，须要采纳少许方法来提速电子健康纪录中癌症相干结果的治疗，”该出版物的作者说。假如获得广大利用，探讨人士显示，“这项技艺可行大大加速运用来源全部癌症患者的真正数据的努力，以发生对于治疗方法有用性的证据。” 然后的环节将包括在来源其它癌症中心的EHR数据上测试该方法，并运用该数据来发觉哪些治疗对哪些患者最有用。