TLMACEA:设计一种转移学习模型,通过可解释的基于人工智能的推器对听觉和临床参数进行相关分析

科学领域:

• 医疗信号处理 医疗信号处理
• 医疗保健中的人工智能
• 呼吸系统医学 呼吸系统医学

背景情况:

• 听觉对于分析肺部状况至关重要,但目前的信号处理和分类模型面临着局限性.
• 现有的模型在信号质量,传感器性能,数据集大小方面存在问题,并且缺乏用于精确诊断的可解释性.
• 依赖近似的方法阻碍了对肺部疾病确切原因的准确识别.

研究的目的:

• 开发一个先进的转移学习模型与可解释的AI (TLMACEA),以提高肺耳听分析的准确性和可解释性.
• 通过将各种临床数据与先进的人工智能技术相结合,提高肺部疾病诊断的精度.
• 克服当前模型在处理信号质量和数据集大小方面的局限性.

主要方法:

• 开发了一个复合转移学习模型 (TLMACEA),将听觉数据转换为2D光谱和空间特征.
• 采用集体卷积神经网络 (CNN) 进行初始肺部状况识别.
• 与临床数据 (肺功能测试,人口统计,吸烟史,症状) 进行交叉验证,使用组合分类器 (随机森林,SVM,线性回归,天真贝叶斯).

主要成果:

• 与最先进的模型相比,TLMACEA表现出更高的性能,达到8.5%更高的精度,6.2%更高的精度和7.9%更好的回忆.
• 该模型显示,诊断延迟减少了10.4%.
• 整体分类实现了99.5%的准确性,可解释的AI层显示了超过98%的精度.

结论:

• TLMACEA为从听觉数据中诊断肺部疾病提供了显著的进步,提供了高准确性和可解释性.
• 该模型的高性能和可解释性使其适合实时临床应用.
• 这种方法增强了AI在呼吸系统医学中的临床实用性.