具有输出校正的机器学习模型:朝着可靠的新生儿胸检测

科学领域:

• 生物医学工程 生物医学工程
• 新生儿医学 新生儿医学
• 医疗保健中的人工智能

背景情况:

• 心是早产婴儿的常见和严重疾病,需要准确检测及时干预.
• 当前检测系统的过度错误报警侵蚀了临床医生的信任,并破坏了患者护理工作流程.
• 基于机器学习 (ML) 的临床决策支持工具面临着错误报警率的挑战.

研究的目的:

• 开发和评估一种基于ML的方法,具有输出校正元件,以最大限度地减少心检测中的错误报警.
• 提高早产婴儿自动心检测的可靠性和准确性.
• 为了减少警报疲劳,并加强医疗保健专业人员对临床决策支持工具的参与.

主要方法:

• 应用了五种基于ML的自动编码技术:RNN,LSTM,GRU,1D CNN,以及CNN-LSTM组合.
• 利用大约440小时的实时早产婴儿数据进行分析.
• 将输出校正元件集成到ML模型中,以减少错误报警.

主要成果:

• 提出的方法实现了高性能指标,包括AUC-ROC为0.978,AUC-PRC为0.73,召回为0.992,F1得分为0.671.
• 在假阳性率 (FPR) 中显著降低至0.007.
• 与没有输出校正方法的方法相比,实现了36%的错误报警减少.

结论:

• 开发的ML方法有效地减少了早产婴儿心检测中的错误警报.
• 减少虚假警报对于保持临床医生的信任和提高患者护理质量至关重要.
• 这项研究强调了需要解决方案来缓解警报疲劳,并促进医疗保健专业人员的参与.