根据诊断分类精神病学临床笔记:深度学习和机器学习方法

科学领域:

• 医疗保健中的人工智能
• 计算精神病学是一种计算精神病学.
• 自然语言处理用于心理健康

背景情况:

• 临床记录的准确分类对于心理健康诊断至关重要,特别是对于焦虑和适应障碍等疾病.
• 评估人工智能模型的性能需要比较各种架构和数据平衡技术.

研究的目的:

• 将传统的机器学习和深度学习模型进行比较,用于将临床笔记分类为焦虑和适应障碍诊断.
• 评估过量采样策略 (不过量采样,随机过量采样,SMOTE) 和超参数调整对模型性能的影响.

主要方法:

• 使用了机器学习模型 (随机森林,SVM,KNN,决策树,XGBoost) 和深度学习模型 (DistilBERT,SciBERT).
• 实施了三个过量抽样策略:没有过量抽样,随机过量抽样和SMOTE.
• 进行了超参数调整,以优化对临床笔记进行分类的模型准确性.

主要成果:

• 过量采样技术的影响一般是最小的,除了基于BERT模型的SMOTE.
• 超参数调整显著提高了所有测试模型的准确性.
• 决策树,XGBoost,DistilBERT和SciBERT模型实现了96%的准确性.

结论:

• 超参数调整对于最大限度地提高临床笔记分类中的AI模型性能至关重要.
• 传统的ML和深度学习模型都显示出人工智能辅助心理健康诊断的巨大潜力.
• 调查结果为心理健康应用提供了有效的人工智能战略的见解.