TLDA:一种基于转移学习的双增强策略,用于在罕见疾病中区分传统中医综合征

科学领域:

• 人工智能在医学中的应用
• 传统中国医学 (TCM) 是一种
• 计算病理学计算病理学

背景情况:

• 传统中医 (TCM) 显示出显著的医疗价值,特别是在COVID-19大流行期间.
• TCM-AI模型有助于知识建模,诊断和治疗模拟.
• 现有的自动综合征诊断模型因有限的电子病历 (EMR) 而与罕见疾病作斗争.

研究的目的:

• 通过开发一种新的方法来解决TCM中罕见疾病诊断的挑战.
• 在EMR稀缺的情况下,提高综合征差异化的准确性.
• 增强TCM-AI模型对代表性不足的疾病的有用性.

主要方法:

• 建议基于转移学习的双增强 (TLDA) 用于TCM罕见疾病诊断.
• 在样本层面和特征层面增加有限的EMR以丰富信息.
• 利用监督学习范式与增强数据用于模型训练.

主要成果:

• TLDA显著优于11个比较模型,包括最先进的方法.
• 拟议的方法在区分罕见疾病综合征方面表现出卓越的有效性.
• 实验证实了TLDA在有限数据场景中的稳定性和有效性.

结论:

• TLDA为TCM罕见病诊断提供了一个简单而有效的解决方案.
• 该方法成功地增加了有限的EMR,提高了诊断准确度.
• TLDA的方法可以扩展到具有有限样本规模的其他医疗任务.