• 抑郁症
  • 布鲁氏杆菌病
  • 白血病

title2.png

  • 背景

目前,抑郁症是一种全球性的精神疾病,有高患病率、高复发率、高疾病负担及高自杀死亡率,并且终身患病率较高。


临床上诊断抑郁症主要是通过患者或家属的主诉以及各种量表测评,然后通过经验丰富的医生对患者进行问诊,同时结合临床经验才能得出精准的诊断。统计数据表明,全科医生只能正确识别47.3%的抑郁症患者,存在很大比例的漏诊及误诊



  • 方法

基于人工智能,使用抑郁症患者与非患者病历数据进行表征学习,将常规指标作为特征,经数据处理,结合深度学习与强化学习,最终进行模型的全局解释与算法溯源。


以抑郁症为切入点,深入了解心理障碍的病理生理学机制,为开发其个体化治疗的新靶点提供研究基础。


【技术路线】


XiaoYing_Video_1653610981911.gif



  • 结果

通过对患者与非患者高维数据的可视化处理,发现明显分布差异。模型敏感性可达0.89,特异性为0.95。


对模型的全局解释显示PDW指标的贡献度最大。


针对此研究,中国计量科学研究院针对样本名称为《基于常规检验大数据的抑郁症人工智能识别算法》进行溯源验证,在布病预测效能上得到认可。


【模型解释图】

注:A,B对单个样本进行解释红色表示将预测提高蓝色表示将预测低C全局样本解释D-G不同模型的全局解释,竖直坐标表示特征颜色代表特征的数值高低水平位置代表特征代表提高或降低预测值


【计量院检测报告】

    抑郁症溯源2.png


本研究很大程度上提高抑郁症的准确率,帮助医生更加精准地诊断,代替医护人员或心理咨询师独立完成一部分简单工作,在一定程度上节约医疗资源、提高工作效率,缓解精神医学专业资源缺乏的现状。


对推动心理健康由主观识别转向主客观综合评判以及促进心理健康风险评估和管理工作的降本增效都具有重大的意义。




title1.png

  • 学术论文

基于常规检验数据构建抑郁症可解释机器学习诊断模型                                                                                                                                   查看详情>>






title2.png

  • 背景

布鲁氏菌病(布病)是由布鲁氏菌引起的一种人兽共患传染病之一,人类主要通过接触带菌动物或食用病畜及其相关乳制品而造成感染。


目前世界上有170多个国家和地区存在布病流行,每年约有病例50万。该病在我国被列为乙类法定报告传染病,在内蒙古、东北、西北等牧区较为流行,已成为我国发病数增长速度最快的传染病之一。


传统布病诊断方法效率较低,患者极易因症状不具有特异性经常导致误诊误治,同时无特效治疗方案,反复发作,迁延不愈,因病致贫、因病返贫的现象也时有发生。



  • 方法

针对此疾病,我们通过深度挖掘患者数据基础特征及常规检验项目的联合效应,结合机器学习技术,通过对真实世界的异构数据自适应集成技术,引入无监督特征选择,嵌入先验知识多角度辅助决策模型的学习过程,引入领域自适应技术,构建布病智能识别模型


【技术路线】

XiaoYing_Video_1653611113707.gif


  • 结果

针对于实验数据场景结合多次交叉验证及参数寻优进行了深度测试。构建了布病早期诊断模型并初步建立了与肺结核的鉴别诊断模型。


结果显示布病诊断模型和布病鉴别诊断模型AUC分别为0.9841和0.9678,准确率分别达到91.4%和89.9%。


经过模型的解释性研究,PDW与LY%分别是本研究中识别模型与鉴别模型的最高贡献度指标。


各参数对模型贡献程度



针对此研究,中国计量科学研究院针对样本名称为《利用机器学习技术基于患者血常规数据的布鲁氏菌病识别算法》进行溯源验证,本研究在布病预测效能上得到认可。


【计量院检测报告】

布病溯源1.png   布病溯源2.png


本研究成果能够大大缩短布病发现和诊断的时间,在不增加患者负担的情况下,用简单易测的指标来发现临床较难实现的预期。


为患者提供可靠的医疗保障,为不同地区、各级各类医疗机构带来便利,该模型预期具有广阔的应用前景.




title1.png

  • 学术论文

采用支持向量机构建布鲁氏菌病早期诊断模型                    查看详情>>








title2.png

  • 背景

在血液疾病中白血病是恶性肿瘤的一种,能够更早的发现恶性肿瘤等高危疾病对于患者至关重要,不仅可以减轻经济上的负担,同时也为医院治疗疾病缩短了周期。


然而精准的预测疾病所面临的挑战在于疾病的相似性和疾病在测量方法上的复杂性,最终诊断取决于骨髓活检、显微镜下血细胞图像分析繁琐、耗时的检测



  • 方法

本研究通过采集白血病患病人群的常规检验指标并进行挖掘,对混合数据联合表征,采取自引导式的表征学习机制,自研的稳定性建模策略,并行漂移检测器和在线学习分类器的对策实现对白血病的智能识别。


【流程图】


XiaoYing_Video_1653611268371.gif



  • 结果

白血病智能识别模型对于白血病预测准确度达到了96.3%,召回率高达93.2%。且关联性分析表明RBC、R-CV、PLT三个常规指标与白血病的患病率有一定关系。


本次研究将机器学习的方法对常规检查下的多个指标判断是否有可能患有白血病,来辅助医生对白血病的诊断,降低医疗成本,惠及医患。


白血病患者的瀑布图


患者SHAP图个例




title1.png

  • 学术论文

基于常规检验数据的白血病预测分析和应用                                                                                                                                 查看详情>>







了解智汇大数据研究院