• 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>>






了解上医智检大数据研究院