基于特征查和优化神经网络的异常性肺纤维化支持决策模型

科学领域:

• 人工智能在医学中的应用
• 传统中国医学 (TCM) 诊断 诊断
• 呼吸系统医学 呼吸系统医学

背景情况:

• 异形性肺纤维化 (IPF) 是一个重大的全球卫生挑战,发病率和死亡率不断增加.
• 传统中医 (TCM) 通过综合征分化为IPF管理提供了一种独特的方法.
• 需要客观和可解释的工具来支持基于TCM的IPF诊断.

研究的目的:

• 开发和验证一个可解释的智能分类模型,MIV-GA-LM-BP (MGLB),用于IPF中TCM综合征的分化.
• 在TCM框架内提高IPF诊断模型的准确性,可解释性和概括性.
• 为IPF诊断提供标准化,人工智能驱动的参考,并为TCM现代化做出贡献.

主要方法:

• 利用956个IPF真实临床病例的数据集.
• 采用平均影响值 (MIV) 算法进行可解释特征查,以确定关键的症状-综合征关系.
• 应用了一种混合优化策略,将Levenberg-Marquardt (LM) 和遗传算法 (GA) 结合到BP神经网络中.

主要成果:

• 在区分IPF综合征方面,MGLB模型实现了最高的81.22%的分类精度.
• 基于MIV的特征查提供了临床症状和TCM综合征之间的透明映射,提高了模型的解释性.
• 对比实验显示,MGLB在准确性和稳定性方面表现优于GRA,PCA和PSO模型.

结论:

• MGLB模型为IPF中TCM综合征的分化提供了一个新的,准确的和可解释的AI框架.
• 这种方法支持TCM诊断的现代化和标准化,将智能系统集成到临床实践中.
• 这项研究表明,人工智能有潜力改进TCM诊断逻辑,改善呼吸系统疾病患者的护理.