预测中风后康复:基于可解释人工智能的深度学习、多模态数据和特征选择
通过统计分析及机器学习方法,我们研究了康复运动对中风患者后期功能能力的改善,以及对功能能力改善的预测性。我们使用了患者康复运动和人口统计信息记录在非结构化电子健康记录(EHRs)数据和自由文本康复疗程笔记的数据集,共收集了来自匹兹堡大学医学中心的 265 名中风患者的数据。我们运用现有自然语言处理(NLP)算法提取了康复运动的数据,并开发了基于规则的 NLP 算法从疗程笔记中提取了 AM-PAC(基本移动和应用认知)评分。通过对 AM-PAC 评分的变化进行分类,我们采用最小临床重要差异(MCID)为基准,使用 Friedman 和 Wilcoxon 检验来评估显著性。为了确定具有决定性影响的锻炼,我们使用卡方检验、费舍尔精确检验以及逻辑回归计算了奇数比率。此外,我们开发了五个机器学习模型 —— 逻辑回归(LR)、Adaboost(ADB)、支持向量机(SVM)、梯度增强(GB)和随机森林(RF)—— 来预测功能能力的结果。统计分析显示功能改善与特定锻炼之间存在显著关联。RF 模型在预测功能结果方面表现最好。在这项研究中,我们确定了三种康复运动,在头两个月内对中风患者的功能能力改善起到了显著的贡献。此外,成功应用机器学习模型预测特定患者的功能结果突显了精准康复的潜力。
May, 2024
基于扩散加权磁共振成像结合结构化健康档案的深度融合学习网络预测卒中患者的长期护理需求,在训练集上达到 0.87 的 AUC,0.80 的 F1 得分和 80.45% 的准确率,超过了目前医学领域中整合图像和结构化数据的现有模型,并且扩散加权磁共振成像能够与其他临床变量结合,在预测准确性上达到可比较的水平,从而更好地推广应用。
Feb, 2024
本文提出了一种基于深度学习技术的脑卒中损伤分割方法,旨在实现损伤扩展和影响的客观测量,以预测神经功能损害和康复潜力。该方法可以高效、自动地进行分割,并同时提供损伤体积和对大脑结构的加权损伤量量化。
Jun, 2023
预测心脏骤停后昏迷状态中的神经恢复,使用临床数据和时间序列信号(如多通道脑电图和心电图),本研究展示了多模态的建模方法,基于二维光谱图表示的脑电图信号,结合临床数据和直接从脑电图记录中提取的特征。通过使用转移学习在医学分类中的有效性和局限性,研究表明模型的性能与决策阈值的选择密切相关,并在数据划分中表现出较大的可变性。
Mar, 2024
本研究提出了一种基于 Transformer 架构和自注意机制的多模态融合框架 Multitrans,通过将非对比度计算机断层成像(NCCT)图像和中风治疗患者的出院诊断报告结合起来,使用一种基于 Transformer 架构的多种方法来预测中风治疗的功能结果。结果表明,单模态文本分类的性能明显优于单模态图像分类,但多模态组合的效果优于任何单模态。尽管 Transformer 模型在成像数据上的性能不佳,但当与临床元诊断信息结合时,两者都能学习到更好的互补信息,并为准确预测中风治疗效果做出良好贡献。
Apr, 2024
提出了一种通用的多模态对比学习框架,用于结合图像数据和表格数据,通过新颖的表格注意模块增强和排名表格中突出特征,并应用于阿尔茨海默病预测,实验证明了该框架的有效性。
Aug, 2023
本研究介绍一种基于规则的自然语言处理算法,可以从非结构化的电子健康记录中标注中风患者的治疗过程,与几个小型机器学习模型进行比较,并发现我们的算法在提取足够数据可用的一半概念方面表现优异,并且每个概念的个别运动描述可以分配二进制标签,f-score 不低于 0.75。
Mar, 2023
通过使用机器学习技术,研究临床、生化和神经影像因素,生成一个预测模型,用于预测中风患者在入院后 3 个月的死亡率和发病率,并得出结论:机器学习算法可以有效地用于中风患者的长期死亡率和发病率的预测。
Feb, 2024
使用机器学习技术基于血流动力学数据开发的模型能够在 30 分钟内诊断卒中亚型,在前 3 小时内预测死亡,并在短短的 15 分钟内预测卒中复发。
May, 2023
通过应用基于阈值的弱监督模型和梯度可解释人工智能技术 (如 saliency map),我们在时序数据中探索其可行性,以识别相关框架。在 15 名中风幸存者的数据集中,我们实现了一个前馈神经网络模型,并利用每个输入对模型结果的梯度来识别涉及补偿动作的显著框架。根据帧级注释评估,我们的方法取得了 0.96 的召回率和 0.91 的 F2 分数。这表明了基于梯度的可解释人工智能技术(如 saliency map)在时序数据中的潜力,例如标识治疗师应重点审查的视频框架,减少模型训练中的帧级标签工作量。
May, 2023