基于神经网络的上呼吸道感染的远程诊断,症状很少 - - 一项可行性研究

科学领域:

• 人工智能在医学中的应用
• 计算语言学 计算语言学
• 呼吸道疾病诊断 呼吸道疾病诊断

背景情况:

• 诊断常见的呼吸道疾病往往需要广泛的病史.
• 有限的症状数据对准确和及时的诊断构成了挑战.
• 以前的方法集中在结构化数据提取上,增加了预处理工作量.

研究的目的:

• 评估使用神经网络 (NN) 和深度学习用于诊断鼻炎,上呼吸道感染和支气管炎/支气管炎的可行性.
• 开发一种模型,可以使用最小的症状信息准确预测这些情况.
• 通过直接分析非结构化文本来减少数据预处理负担.

主要方法:

• 利用自然语言处理 (NLP) 通过GPT-2编码症状词向量.
• 采用神经网络 (NN),其最后的线性层用于分类.
• 专注于从非结构化文本数据中直接提取序列特征.

主要成果:

• 开发的模型在预测三种常见的呼吸道疾病方面达到90%的准确性.
• 在所有测试的疾病预测中表现出高性能.
• 从有限的文本输入成功编码了症状信息.

结论:

• 神经网络和深度学习为诊断呼吸系统疾病提供了一种可行的方法,使用最少的症状数据.
• 该模型的高精度支持其远程诊断和患者理解的潜力.
• 从非结构化文本中直接提取顺序特征简化了诊断过程.