将专家知识与机器学习集成为基于人工智能的中风识别和治疗系统

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 神经学 神经学

背景情况:

• 卒中是全球死亡和残疾的主要原因之一.
• 在资源有限的环境中,对专家的有限访问阻碍了及时的中风诊断和治疗.
• 准确和早期的中风检测对于改善患者的结果至关重要.

研究的目的:

• 开发一个人工智能驱动的系统来识别和治疗中风.
• 为了使医疗保健提供者能够在没有直接专家投入的情况下做出明智的决定.
• 加强服务不足地区的中风管理.

主要方法:

• 从转诊医院和公共Kaggle数据集收集数据.
• 使用决策树,Chi-Square测试,弹性网和相关性分析进行特征选择.
• 开发一种混合专家系统,将Prolog用于专家知识和Python用于机器学习模型 (决策树,随机森林,支持矢量机器) 结合起来.
• 使用k-fold交叉验证对机器学习模型的评估.

主要成果:

• 随机森林分类器实现了最高的准确率99.4%.
• 沙普利添加式解释证实了在AI模型开发中选择特征的可行性.
• 医疗专业人员验证了该系统作为决策支持工具的有效性.

结论:

• 由人工智能驱动的专家系统显著提高了中风诊断和治疗能力.
• 这种方法提供了一种可行的解决方案,以改善中风护理在专家访问有限的地区.
• 该系统展示了人工智能的潜力,可以弥合医疗保健差距并改善患者的治疗结果.