基于深度学习的急性呼吸窘迫综合征检测：模型究竟学到了什么？
机器学习
2021-09-28 v1
摘要
急性呼吸窘迫综合征（ARDS）是一种严重的低氧性呼吸衰竭，其院内死亡率为35-46%。高死亡率被认为部分与及时诊断的困难有关，而这又可能延迟循证治疗的实施。利用无偏呼吸机波形数据（VWD）的深度神经网络（DNN）算法可能有助于改进ARDS筛查。我们首先表明，基于卷积神经网络的ARDS检测模型在AUC（0.95±0.019 vs. 0.88±0.064）、准确率（0.84±0.026 vs 0.80±0.078）和特异度（0.81±0.06 vs 0.71±0.089）上优于先前基于随机森林模型的工作。频率消融研究表明，我们的模型能够从通常用于专家特征工程的低频域以及可能难以手动特征化的高频信息中学习特征。进一步的实验表明，生理信号中细微的高频成分可能解释了在使用生理波形数据时DL模型优于传统ML的原因。我们的观察可能有助于提升基于DL的生理模型的可解释性，并可能增进对生理数据中的高频信息如何影响我们DL模型性能的理解。
引用
@article{arxiv.2109.12323,
title = {Deep Learning-Based Detection of the Acute Respiratory Distress Syndrome: What Are the Models Learning?},
author = {Gregory B. Rehm and Chao Wang and Irene Cortes-Puch and Chen-Nee Chuah and Jason Adams},
journal= {arXiv preprint arXiv:2109.12323},
year = {2021}
}