基于人工智能驱动的可解释深度学习的胎儿健康分类
Gazala Mushtaq1, Veningston K1
1Department of Computer Science and Engineering, National Institute of Technology Srinagar, Jammu and Kashmir 190006, India.
SLAS technology
|October 13, 2024
概括
一种新的深度神经网络模型使用心脏病学数据准确地对胎儿健康进行了分类. 这种先进的深度学习方法为产科早期风险检测提供了更好的诊断准确性.
科学领域:
- 产科和妇科 产科和妇科
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
背景情况:
- 胎儿健康评估在产科中至关重要.
- 目前的诊断方法可以提高效率和有效性.
- 深度学习为增强医学诊断提供了潜力.
研究的目的:
- 提出一种深度学习模型,将胎儿健康分为正常,可疑和病态类别.
- 提高胎儿健康诊断过程的效率和有效性.
- 通过可解释的人工智能提高胎儿健康评估的透明度和临床采用.
主要方法:
- 一个深度神经网络 (DNN) 模型被开发用于胎儿健康分析.
- 该模型使用了来自心电图 (CTG) 记录的21个属性的数据集.
- 可解释的深度学习技术,包括特征重要性和突出性分析,用于模型解释.
主要成果:
- 拟议的DNN模型实现了高性能:准确度为0.99,灵敏度为0.93,特异性为0.93,AUC为0.96,精度为0.93,F1得分为0.93.
- 对比分析显示,DNN模型的表现优于六个基线模型 (逻辑回归,KNN,SVM,naive Bayes,随机森林,梯度增强).
- 与所有基线方法相比,该模型显示出更高的准确性.
结论:
- 深度学习,特别是拟议的DNN模型,显示了改善胎儿健康评估的巨大潜力.
- 该模型为产科早期风险检测提供了一个强大的工具.
- 可解释的AI功能增强了信任,并促进了人工智能驱动的胎儿健康诊断的临床采用.
