使用简单的基于LSTM和基于Siamese的网络进行知识点分类,用于虚拟患者模拟
Yih-Lon Lin1, Yu-Min Chiang2, Tsuen-Chiuan Tsai3
1Department of Computer Science and Information Engineering, National Yunlin University of Science and Technology, Yunlin, Taiwan.
BMC medical informatics and decision making
|January 25, 2025
概括
一个基于语的网络准确地从虚拟患者访谈中分类知识点,增强医学学生的诊断技能评估. 这种方法改善了虚拟临床诊断系统和医学教育反.
科学领域:
- 医疗教育 技术 技术 医学教育
- 医疗保健中的人工智能
- 计算语言学 计算语言学
背景情况:
- 医学教育强调发展批判性思维能力.
- 虚拟诊断和治疗平台 (VP) 使用模拟的患者互动来评估医学学生的诊断能力.
- 在面试期间分析学生的问题,可以了解他们的病史调查技巧.
研究的目的:
- 从病例摘要和患者访谈中提取见解,以改善医学教育中的评估和反.
- 开发和评估先进的计算方法来分析学生在虚拟临床环境中的表现.
主要方法:
- 采用了使用长短期记忆 (LSTM) 和基于语的神经网络进行知识点分类的系统方法.
- 使用了来自台湾"临床诊断和治疗技能竞赛" (1-3年级) 的数据集.
- 在病例摘要和患者采访中从顺序问题中生成知识点,用于分类.
主要成果:
- 基于语的网络在知识点分类中实现了超过93%的准确性.
- 分层10倍交叉验证证明了高性能,标准偏差低于0.007.
- 结果证实了拟用于虚拟临床诊断系统的神经网络方法的有效性.
结论:
- 先进的神经网络,特别是基于语的网络,可用于虚拟临床诊断中的知识点分类.
- 有效的知识点分类为学生的思维能力提供了宝贵的见解.
- 经过验证的方法支持开发增强的虚拟临床培训平台.
