Skip to content

Latest commit

 

History

History

text-preperation

Folders and files

NameName
Last commit message
Last commit date

parent directory

..
 
 
 
 
 
 
 
 
 
 

استخراج قسمت مهم گزارش

ابتدا تمامی pdf های گزارش های آسیب شناسی مربوط به سرطان پستان (BRCA) از سایت TCGA با استفاده از نرم افزار فراهم شده توسط خودشان دانلود شده (۱۱۰۰ فایل) سپس گزارش هایی که به این حالت هستند که بخش Diagnosis دارند و بخش Diagnosis آن ها هم چندین بخش مختلف دارد انتخاب شد.
علت این موضوع این است که گزارش های آسیب شناسی ساختار یکسانی ندارند و بعضی به صورت متنی بعضی به صورت جدول هستند بعضی به توضیحاتی کمی و بعضی به توضیحات بسیار بیشتری بسنده کرده اند. در نتیجه ما که برای آموزش مناسب مدل نیاز به ساختار یکسان داریم از این ساختار که درصد بیشتری از pdf ها را تشکیل میداد استفاده کردیم.
از بین این لیست از pdf پنجاه نمونه با استفاده از توزیع تصادفی یکنواخت گرفته شد. از بین پنجاه نمونه انتخاب شده بخشی انتخابی وضعیت تهاجمی بودن یا نبودن milk duct و milk lobule ها به همراه توضیحات مرتبط با هر کدام انتخاب شد.
به طور کلی در این زمینه سرطان پستان می‌تواند حالات زیر را داشته باشد:
DCIS (Ductal Carcinoma In Situ): حضور سلول های غیر عادی در milk duct ها
LCIS (Lobular Carcinoma In Situ): حضور سلول های غیر عادی در milk lobule ها
IDC (Invasive Ductal Carcinoma): حضور سلول های تهاجمی در milk duct ها
ILC (Invasive Lobular Carcinoma): حضور سلول های تهاجمی در milk lobule ها
بخش گفته شده از هر پنجاه pdf توسط دو نفر از اعضای گروه استخراج شد و در یک جلسه تک تک موارد توسط هر دو فرد مورد بررسی و رفع اختلاف نظر قرار گرفت و یک متن واحد برای هر گزارش استخراج شد. بخشی از یک نمونه از این pdf ها و متن انتخاب شده متناسب با آن را می‌توان در شکل زیر مشاهده کرد.

مثال:

برای مثال قسمتی از یکی از گزارش‌ها در تصویر زیر آورده شده است؛ قسمتی که هایلایت شده است، قسمتی است که متن نهایی از آن استخراج شده است و خلاصه شده است:


متن استخراج شده: (نتیجه جلسه حل تعارض‌ها)

INVASIVE DUCTAL CARCINOMA, DUCTAL CARCINOMA IN SITU, MICROPAPILLARY AND SOLID TYPES WITH COMEDO NECROSIS. DUCTAL CARCINOMA IN SITU IS NEAR INFERIOR MARGIN