透明的深度学习以使用临床笔记在EHR中识别自闭症谱系障碍 (ASD)

科学领域:

• 人工智能在医学中的应用
• 计算精神病学是一种计算精神病学.
• 机器学习用于医疗保健

背景情况:

• 机器学习 (ML) 广泛用于医学诊断,但往往充当黑子.
• 越来越需要透明和临床一致的诊断算法.
• 自闭症谱系障碍 (ASD) 是一种神经发育状况,患病率越来越高.

研究的目的:

• 开发一种透明的深度学习 (ML) 方法来诊断疾病.
• 为了证明这种方法对自闭症谱系障碍 (ASD) 诊断的有效性.
• 确保ML结果与临床诊断规则保持一致.

主要方法:

• 使用了来自CDC监测记录的非结构化数据,标记了ASD标准和根据DSM-5规则的病例标签.
• 在一个由6773个句子 (35个案例) 组成的测试集上,对比了一个基于规则的和三个深度ML算法,以及六个组合.
• 评估了每个ML模型和组合的标准和案例标签性能,将案例标签与七个传统测试进行比较.

主要成果:

• 混合BiLSTM ML模型显示了标准标签的最高性能.
• 两种BiLSTM模型组合实现了最佳案例标签,精度为100%,回忆率为83%,特异性为100%,准确率为91%,F值为0.91.
• 与现有的诊断测试相比,最好的ML组合显示出更高的整体准确性.

结论:

• 透明的ML是可行的,即使数据有限.
• 深度ML可以通过专注于中间诊断步骤来提供透明的决策.
• 由于数据冗余,中间阶段的ML错误对最终结果的影响最小.