集体学习用于改善医生与患者沟通中的情感分析

科学领域:

• 自然语言处理 (NLP) 是一种自然语言处理.
• 医疗保健中的机器学习
• 计算语言学 计算语言学

背景情况:

• 对临床医生与患者互动的准确情绪分析对于评估医疗保健质量和患者体验至关重要.
• 现有的研究缺乏对这种特定任务的先进机器学习模型的全面基准测试.
• 临床对话中的情感分类存在独特的挑战,原因是语言和上下文的细微差别.

研究的目的:

• 在医生与患者的咨询中,对深度学习,变压器和整体模型进行三类情绪分类 (低/中/高) 的基准测试.
• 解决临床领域内对情绪分析模型标准化评估的差距.
• 确定最有效的模型架构来分析匿名医生与患者对话中的情绪.

主要方法:

• 利用公开可用的3325个匿名医生与患者咨询的数据集.
• 评估的长期短期记忆 (LSTM),双向LSTM (BiLSTM),卷积神经网络 (CNN),CNN-LSTM,以及来自变压器的双向编码器表示 (BERT).
• 还使用分层五倍交叉验证测试了一种整体模型 (对逻辑回归,随机森林和支持矢量分类器进行硬投票).

主要成果:

• 整体模型实现了最高的精度 (75.5% ± 0.5%),超过了包括BERT在内的单个模型 (66.98% ± 0.6%).
• 整体表现出强大的高严重性相互作用检测 (F1得分:90.8%±1.3%),尽管低严重性相互作用的分类仍然具有挑战性.
• 对于低严重度的相互作用,BERT提供了最高的精度 (65.5%±1.0%),整体则改善了回忆 (58.7%±1.0%).

结论:

• 合体学习为临床医生与患者对话中的三类情感分类提供了最强和最平衡的表现.
• 像BERT这样的变压器模型为挑战性较低的案件提供了宝贵的精度,补充了整体方法.
• 可解释性分析提高了透明度,支持了临床应用;未来的工作应该探索多式联络和保护隐私的模型.