基于临床实践指南的跨注意力方法用于抑郁症诊断可解释性
人工智能
2024-10-21 v4
摘要
缺乏利用相关临床知识的可解释性阻碍了人工智能对非结构化临床对话分析的采用。在线社区中存有大量未充分挖掘的相关心理健康（MH）数据，为解决可解释性问题提供了机会，并作为线上与线下应用的筛查工具具有重大潜在影响。我们开发了一种方法，通过融入外部临床知识来增强流行transformer模型的注意力并为分类生成临床医生可理解的解释。受临床医生在与患者互动时依赖其专业知识的启发，我们利用相关临床知识对患者输入建模，为分类提供有意义的解释。这将节省人工审阅时间并建立信任。我们在MH背景下使用诊断抑郁症的临床实践指南（CPG）开发了此类系统，抑郁症是一种全球关注的心理健康障碍。我们提出了一种称为ProcesS知识注入跨注意力（PSAT）的特定应用语言模型，其在计算注意力时融入CPG。通过对三个与抑郁症相关的专家标注数据集的严格评估，我们展示了PSAT在应用相关的可解释性。PSAT还超越了九个基线模型的性能，并能在其他基线无法提供解释时给出解释。我们使用SNOMED-CT将专注于抑郁症的CPG资源（如患者健康问卷（例如PHQ-9）及相关问题）转化为机器可读本体。借助该资源，PSAT增强了如GPT-3.5等模型生成应用相关解释的能力。
引用
@article{arxiv.2311.13852,
title = {A Cross Attention Approach to Diagnostic Explainability using Clinical Practice Guidelines for Depression},
author = {Sumit Dalal and Deepa Tilwani and Kaushik Roy and Manas Gaur and Sarika Jain and Valerie Shalin and Amit Sheth},
journal= {arXiv preprint arXiv:2311.13852},
year = {2024}
}
备注
This paper has been accepted for publication in IEEE Journal of Biomedical and Health Informatics