使用临床标记和多种可解释的人工智能方法诊断COVID-19:来自厄瓜多尔的案例研究

科学领域:

• 医学诊断 医学诊断 医学诊断
• 人工智能在医学中的应用
• 计算生物学 计算生物学

背景情况:

• 由于COVID-19的流行,需要对患者进行准确和快速的查.
• 目前的诊断方法,如RT-PCR可以产生假阴性,突出需要补充验证.
• 仅仅基于症状来区分COVID-19和其他呼吸道疾病是具有挑战性的.

研究的目的:

• 研究人工智能 (AI) 和机器学习 (ML) 在使用临床标志物诊断COVID-19中的有效性.
• 评估各种AI分类器在识别COVID-19方面的表现.
• 使用可解释的AI技术评估AI预测的可解释性.

主要方法:

• 利用临床标记物 (乙酸性细胞,淋巴细胞,红细胞,白细胞) 作为AI模型的输入特征.
• 为COVID-19诊断培训和评估了多个机器学习分类器.
• 应用了五种可解释的AI技术来解释模型预测.
• 在测试的分类器中,k-最近邻近算法是其中之一.

主要成果:

• k-最近邻近算法实现了最高的性能指标:84%的准确性,85%的精度,84%的回忆和84%的F1得分.
• 特定的临床标记物,包括乙氨基细胞,淋巴细胞,红细胞和白细胞,在区分COVID-19中被确定为重要的.
• 可解释的AI技术为诊断模型的决策过程提供了洞察力.

结论:

• 人工智能和机器学习模型,特别是k-最近的邻居,显示出改善COVID-19诊断准确性的巨大潜力.
• 特定临床标记物的组合提供了一个强大的方法来区分COVID-19.
• 将基于人工智能的分类器与RT-PCR测试相结合,可以实现更可靠,更有效的疾病诊断.