随着医疗健康服务不断朝着智能化方向发展,机器学习在医疗领域的应用开始成为人工智能时代的研究热点之一。医学影像报告作为医疗文档的重要组成部分,是放射科医生对影像表现的描述与总结,蕴含大量对病灶的描述。从医学影像报告中提取这些重要信息,建立影像报告与影像图片间的关联,能够更好地服务于临床决策、数据挖掘等各类临床信息系统,从而减轻专业医师的工作量。目前医学影像报告大多以非结构化或半结构化的文本形式存储,计算机难以从这些不规则的文本数据中直接提取有价值的信息,从而无法利用机器学习算法进一步对数据进行挖掘分析。因此,如何从医学影像报告中自动、高效地提取所需信息,形成结构化的数据,并建立文本描述和影像病灶的关联,是目前智能医疗服务进程中的重要挑战之一。本文针对乳腺钼靶医学影像报告的结构化问题,利用机器学习模型Bi-LSTM+CRF来提取文本特征标签,并设计映射规则,用于实现结构化。本文的主要工作有:(1)解析影像报告及设计结构化模板。本文针对乳腺钼靶影像报告,结合国内外相关研究以及专业医师的指导,总结影像报告主要涵盖的内容及其结构,并设计结构化的报告模板。(2)设计影像报告文本特征标签。临床自由文本中存在术语和表述多样性的特点,本文针对报告中对病灶的描述,设计统一的文本特征标签,为机器学习模型提供输入。(3)采用机器学习模型实现标签提取。本文基于上海市某三甲医院提供的数据,采用Bi-LSTM+CRF模型进行迭代训练,模型最终达到了95%的准确率。(4)影像报告结构化系统的设计与实现。本文基于Django框架,将机器学习模型、结构化映射规则等功能模块进行封装,设计并实现了一个自动化的、可扩展的影像报告结构化系统。