基于AI的疾病类别预测模型使用来自低资源的症状 埃塞俄比亚语言: Afaan Oromo 文字

科学领域:

• 医疗保健中的人工智能
• 用于医疗应用的自然语言处理.
• 计算语言学 计算语言学

背景情况:

• 自动化疾病诊断有助于医疗专业人员在患者护理中.
• 现有的AI诊断工具主要是为英语等资源丰富的语言开发的.
• 在人工智能为资源不足的语言提供医疗保健解决方案方面存在重大差距.

研究的目的:

• 开发和评估人工智能模型,自动预测疾病类别的症状.
• 为此任务比较各种机器学习和深度学习算法的性能.
• 解决医疗AI研究中 Afaan Oromo 专用数据集的缺乏问题.

主要方法:

• 利用机器学习 (SVM,随机森林,物流回归,天真贝叶斯) 和深度学习 (LSTM,GRU,Bi-LSTM) 算法.
• 准备了三个定制数据集,将患者的症状分为10个疾病类别.
• 使用TF-IDF和词嵌入 (word2vec) 来进行特征表示.
• 通过使用精度,回忆,精度和F1得分来评估模型性能,并进行超参数调整.

主要成果:

• 使用TF-IDF的支持矢量机 (SVM) 实现了94.7%的准确性和F1得分.
• 使用word2vec嵌入的长短期内存 (LSTM) 实现了95.7%的准确性和96.0%的F1得分.
• 与其他评估模型相比,LSTM模型在整个数据集中表现出卓越的性能.

结论:

• 深度学习模型,特别是LSTM,显示了在 Afaan Oromo 语言的自动疾病预测方面显著的前景.
• 该研究强调了人工智能的潜力,以改善语言多样化的地区的医疗保健可访问性.
• 进一步的研究可以扩大数据集,并探索更先进的NLP技术用于低资源语言.