使用临床笔记检测自闭症的深度学习:用于透明和黑子方法的转移学习的比较
Gondy Leroy1, Prakash Bisht1, Sai Madhuri Kandula1
1Management Information Systems, Eller College of Management, University of Arizona, Tucson, AZ, USA.
Artificial intelligence in medicine
|December 2, 2025
概括
使用BioBERT用于自闭症谱系障碍 (ASD) 诊断的新型透明机器学习 (ML) 模型显示出卓越的性能. 这种可解释的人工智能方法为神经发育诊断提供了更可靠和更具普遍性的工具.
科学领域:
- 神经发育障碍 神经发育障碍
- 医疗保健中的人工智能
- 计算语言学 计算语言学
背景情况:
- 自闭症谱系障碍 (ASD) 诊断是漫长而复杂的,随着患病率的上升,需求也在增加.
- 现有的机器学习 (ML) 模型用于ASD诊断往往是黑子,由于单个数据集训练,限制了它们的概括性.
- 需要透明,可解释和可通用的ML工具来有效诊断ASD.
研究的目的:
- 引入一种透明和可解释的ML方法,使用BioBERT来分析ASD诊断的临床文本.
- 评估拟议模型在两个不同的现实世界数据集中的转移学习能力.
- 为了比较透明模型与黑盒子方法的性能.
主要方法:
- 利用BioBERT,一个最先进的语言模型,来分析非结构化的临床文本.
- 训练模型标记行为描述,并将它们映射到ASD分类的诊断标准.
- 通过对数据集进行顺序和混合训练来评估转移学习,将性能和通用性与黑盒模型进行比较.
主要成果:
- 透明的ML模型实现了高性能,混合数据训练产生97%的灵敏度和98%的特异性.
- 跨数据集的顺序训练显示性能略有下降,强调了数据顺序的重要性.
- 与透明方法相比,黑子模型的表现更差 (90%的灵敏度,96%的特异性).
结论:
- 使用BioBERT的透明和可解释的ML方法显著优于ASD诊断的黑子模型.
- 在培训期间混合数据集是获得最佳性能和通用性的首选策略.
- 这项工作促进了用于神经发育诊断的可靠,可泛化和临床可操作的AI工具的开发.
