一个多式人工智能框架用于自动化多类肺部疾病诊断从呼吸声与模拟生物标志物融合和个性化药物推的呼吸声

科学领域:

• 人工智能在医学中的应用
• 呼吸系统医学 呼吸系统医学
• 数字健康数字健康

背景情况:

• 呼吸道疾病对全球健康造成重大负担,需要先进的诊断和治疗解决方案.
• 当前的诊断方法往往缺乏精度,个性化和适应性.
• 需要智能系统来改善呼吸系统护理结果.

研究的目的:

• 开发和评估一个基于人工智能的模块化框架,用于呼吸系统疾病的诊断和治疗建议.
• 评估八种呼吸系统疾病的基于音频的疾病分类模型的准确性.
• 调查合成数据驱动引擎对个性化处方建议的有效性.

主要方法:

• 开发了一种集成基于音频的呼吸声分类模型和基于合成数据的处方推引擎的AI框架.
• 该分类模型经过训练,可以区分八个临床类别,包括各种感染和慢性疾病.
• 使用合成数据集来训练处方模块进行药物,剂量和频率建议,并使用SHAP分析进行解释性.

主要成果:

• 基于音频的分类模型总体达到99.99%的准确性,在儿科样本上达到94.2%.
• 处方模块在药物预测方面表现出超过99%的准确性,临床医生的同意率很高 (科恩的 κ > 0.78).
• SHAP分析确定年龄和吸烟为关键预测因素,剂量准确率达到91.3%.

结论:

• 人工智能框架在通过音频对呼吸系统疾病进行分类和推个性化治疗方面表现出高度准确性.
• 这项研究作为概念验证,突出了AI在增强呼吸系统护理方面的潜力.
• 在临床应用之前,需要对现实数据进行进一步验证和监管审查.