EUVIMEDEUVIMED entdecken
Übersichtsarbeit

Umwandlung freitextlicher radiologischer Befundtexte in strukturierte Daten

Markus M Graf, Keno K Bressem, Lisa C Adams

Die Radiologie · 2025

DOI: 10.1007/s00117-025-01422-4 ↗

Kurz gefasst

Übersichtsarbeit in der Zeitschrift Die Radiologie, 2025. Verfasst von Markus M Graf und 2 weiteren Autor:innen. Beteiligte Einrichtung: Institut für diagnostische und interventionelle Radiologie, Klinikum rechts der Isar, TUM Klinikum, Ismaninger Str. 22, 81675, München, Deutschland. …. Hauptthemen laut MEDLINE: Natural Language Processing, Radiology Information Systems. Die Arbeit wurde bisher 1-mal zitiert (Crossref) und nennt 34 Literaturangaben.

AbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

BACKGROUND: The rapid development of large language models (LLMs) opens up new possibilities for the automated processing of medical texts. Transforming unstructured radiology reports into structured data is crucial for efficient use in clinical decision support systems, research, and improving patient care. OBJECTIVES: What are the challenges of transforming natural language radiology reports into structured data using LLMs? Which methods and architectures are promising? How can the quality and reliability of the extracted data be ensured? MATERIALS AND METHODS: This article examines current research on the application of LLMs in radiological information processing. Various approaches such as rule-based systems, machine learning, and deep learning models, particularly neural network architectures, are analyzed and compared. The focus is on extracting information such as diagnoses, anatomical locations, findings, and measurements. RESULTS AND CONCLUSION: LLMs show great potential in transforming reports into structured data. In particular, deep learning models trained on large datasets achieve high accuracies. However, challenges remain, such as dealing with ambiguities, abbreviations, and the variability of linguistic expressions. Combining LLMs with domain-specific knowledge, for example, in the form of ontologies, can further improve the performance of the systems. Integrating contextual information and developing robust evaluation metrics are also important research directions. ZUSAMMENFASSUNG: HINTERGRUND: Große Sprachmodelle (LLMs) eröffnen neue Möglichkeiten für die automatisierte Verarbeitung medizinischer Texte. Die Transformation natürlichsprachiger Befunde in strukturierte Daten ist dabei grundlegend für die effiziente Nutzung in klinischen Entscheidungsunterstützungssystemen, der Verbesserung der Patientenversorgung und auch der Wissenschaft. FRAGESTELLUNG: Welche Herausforderungen bestehen bei der Transformation natürlichsprachiger radiologischer Befunde in strukturierte Daten mithilfe von LLMs? Welche Methoden und Architekturen sind vielversprechend? Wie kann die Qualität und Zuverlässigkeit der extrahierten Daten sichergestellt werden? MATERIAL UND METHODEN: Dieser Beitrag untersucht aktuelle Forschungsergebnisse zur Anwendung von LLMs in der radiologischen Informationsverarbeitung. Es werden verschiedene Ansätze wie regelbasierte Systeme, maschinelles Lernen und Deep-Learning-Modelle, insbesondere neuronale Netzwerkarchitekturen, analysiert und verglichen. Der Fokus liegt auf der Extraktion von Informationen wie Diagnosen, anatomischen Lokalisationen, Befundmerkmalen und Messwerten. ERGEBNISSE UND DISKUSSION: LLMs zeigen großes Potenzial bei der Transformation von Befunden in strukturierte Daten. Insbesondere Deep-Learning-Modelle, die auf großen Datensätzen trainiert wurden, erreichen hohe Genauigkeiten. Allerdings bleiben Herausforderungen wie der Umgang mit Mehrdeutigkeiten, Abkürzungen und der Variabilität sprachlicher Ausdrucksweisen. Die Kombination von LLMs mit domänenspezifischem Wissen, beispielsweise in Form von Ontologien, kann die Performance der Systeme weiter verbessern. Auch die Einbindung von Kontextinformationen und die Entwicklung robuster Evaluierungsmetriken sind wichtige Forschungsrichtungen.

Schlagwörter

MeSH-Schlagwörter (MEDLINE)

Natural Language ProcessingRadiology Information SystemsHumansDeep LearningMachine LearningNeural Networks, Computer

Stichwörter der Autor:innen

Artificial intelligenceLarge language modelsMachine learningNatural language processing (NLP)Structured findings

Autor:innen und Institutionen

  • Institut für diagnostische und interventionelle Radiologie, Klinikum rechts der Isar, TUM Klinikum, Ismaninger Str. 22, 81675, München, Deutschland. lisa.adams@tum.de.

Zitieren

APA

Graf, M. M., Bressem, K. K., & Adams, L. C. (2025). Umwandlung freitextlicher radiologischer Befundtexte in strukturierte Daten. Die Radiologie. https://doi.org/10.1007/s00117-025-01422-4

Vancouver

Graf MM, Bressem KK, Adams LC. Umwandlung freitextlicher radiologischer Befundtexte in strukturierte Daten. Die Radiologie. 2025. doi:10.1007/s00117-025-01422-4

BibTeX
@article{Graf2025,
  author = {Graf, Markus M and Bressem, Keno K and Adams, Lisa C},
  title = {Umwandlung freitextlicher radiologischer Befundtexte in strukturierte Daten},
  journal = {Die Radiologie},
  year = {2025},
  doi = {10.1007/s00117-025-01422-4}
}
Kostenlos starten →