使用多式联络深度神经网络预测多发性硬化症的严重程度
Kai Zhang1, John A Lincoln2, Xiaoqian Jiang1
1Department of Health Data Science and Artificial Intelligence, McWilliams School of Biomedical Informatics, University of Texas Health Sciences Center at Houston, Houston, TX, USA.
BMC medical informatics and decision making
|November 10, 2023
概括
预测多发性硬化症 (MS) 严重程度对于早期治疗至关重要. 将多式联网电子健康记录 (EHR) 与深度学习相结合,可显著提高疾病预测的准确性.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 生物医学信息学 生物医学信息学
背景情况:
- 多发性硬化症 (MS) 是一种慢性神经疾病,影响大脑和脊髓,导致神经损伤.
- 准确的MS严重程度分类对于及时的治疗干预来预防疾病进展至关重要.
- 由于数据限制,现有的单模机器学习方法在预测多发性硬化症的严重性方面存在局限性.
研究的目的:
- 开发一个多式联络深度学习框架,用于预测未来多发性硬化症 (MS) 疾病的严重程度.
- 整合多样化的患者数据,包括结构化的EHR,神经成像和临床笔记,以提高预测.
- 评估个人数据模式在MS进展中的预测价值.
主要方法:
- 提出了一个新的多式联网深度学习框架,集成结构化的电子健康记录,神经成像和临床笔记.
- 利用纵向患者数据来预测未来的多发性硬化症严重程度.
- 使用接收器操作特征曲线 (AUROC) 下的面积来评估模型性能.
主要成果:
- 与单模模式相比,多式模式深度学习框架在AUROC中实现了高达19%的增长.
- 证明了整合各种数据源的有效性,以改善MS严重程度的预测.
- 确定了不同数据模式对预测多发性硬化症进展的有用性.
结论:
- 多模式数据集成与深度学习在预测多发性硬化症的严重程度方面取得了重大进展.
- 这种方法提高了预测的准确性,可能使更早,更有效的治疗策略.
- 获得的见解可以优化未来的数据收集,用于MS研究和临床实践.
