用于食管测压诊断的多阶段机器学习模型
机器学习
2022-05-25 v2 人工智能
摘要
高分辨率测压(HRM)是用于诊断食管动力障碍的主要手段。其解读与分类包括先对吞咽级结果进行初步评估，再基于芝加哥分类(CC)利用树状算法推导研究级诊断。这种基于HRM的食管动力障碍诊断方法被一个结合多种机器学习方法开发的多阶段建模框架所复现。具体而言，该框架在吞咽级阶段采用深度学习模型，在研究级阶段采用基于特征的机器学习模型。在吞咽级阶段，开发了三个基于卷积神经网络(CNN)的模型来预测吞咽类型、吞咽加压与整合松弛压(IRP)。在研究级阶段，从基于专家知识的规则模型族、xgboost模型与人工神经网络(ANN)模型族中进行模型选择，后两类模型的设计与增强受到专家知识的启发。采用了一种受贝叶斯原理启发的模型无关的模型平衡简单策略，由此产生了按精确率分数加权的模型平均。将平均(混合)模型与个体模型进行比较评估，其中在测试集上最佳性能为top-1预测0.81、top-2预测0.92。这是首个从原始多吞咽数据自动预测HRM研究的CC诊断的人工智能式模型。此外，所提建模框架可轻易扩展至多模态任务，例如基于HRM与功能性管腔成像探头测压(FLIP)临床数据对食管患者诊断。
引用
@article{arxiv.2106.13869,
title = {A multi-stage machine learning model on diagnosis of esophageal manometry},
author = {Wenjun Kou and Dustin A. Carlson and Alexandra J. Baumann and Erica N. Donnan and Jacob M. Schauer and Mozziyar Etemadi and John E. Pandolfino},
journal= {arXiv preprint arXiv:2106.13869},
year = {2022}
}