连接 AI 与临床实践：将自动睡眠评分算法与不确定性引导的医师审查相集成
机器学习
2023-12-27 v1 人工智能
信号处理
摘要
目的：本研究旨在通过引入不确定性估计方法，提高自动睡眠评分算法的临床应用价值，以高效协助临床医师对预测睡眠分期图进行人工审查；由于多导睡眠图（PSG）数据库固有的显著评分者间差异，这种审查是必要的。我们的工作旨在达到预定一致性水平所需的审查范围，同时考察领域内和领域外数据，并考虑受试者的诊断情况。患者与方法：使用来自13个开放获取数据库的共19578份 PSG 训练了 U-Sleep，这是一种最先进的睡眠评分算法。我们利用包含8832份额外 PSG 的综合临床数据库（覆盖全年龄段和各类睡眠障碍）来优化 U-Sleep，并评估不同的不确定性量化方法，包括我们新颖的置信度网络。领域内数据由超过50名医师评分的 PSG 组成，两个领域外数据集则包含分别由唯一一位资深医师评分的记录。结果：U-Sleep 表现出稳健的性能，领域内数据的 Cohen's kappa (K) 为76.2%，领域外数据为73.8-78.8%。置信度网络在识别不确定预测方面表现优异，领域内数据的 AUROC 得分为85.7%，领域外数据为82.5-85.6%。独立于睡眠障碍状态，统计评估显示一致预测与不一致预测之间的置信度得分存在显著差异，且置信度得分与分类性能指标之间存在显著相关性。在医师介入的情况下，为实现至少90%的 K 值，只需审查不到29.0%的不确定睡眠分期片段，这大幅减少了医师的工作量，并促成了近乎完美的一致性。
引用
@article{arxiv.2312.14996,
title = {Bridging AI and Clinical Practice: Integrating Automated Sleep Scoring Algorithm with Uncertainty-Guided Physician Review},
author = {Michal Bechny and Giuliana Monachino and Luigi Fiorillo and Julia van der Meer and Markus H. Schmidt and Claudio L. A. Bassetti and Athina Tzovara and Francesca D. Faraci},
journal= {arXiv preprint arXiv:2312.14996},
year = {2023}
}