精神科临床笔记分类诊断：基于深度学习和机器学习的方法

将临床笔记分类到特定诊断类别在医疗保健领域尤为重要，尤其是对于焦虑障碍和适应性障碍。本研究比较了 various 人工智能模型的性能，包括传统机器学习方法（随机森林、支持向量机、K 近邻、决策树和 eXtreme Gradient Boost）和深度学习模型（DistilBERT 和 SciBERT），将临床笔记分类为这两种诊断。此外，我们实现了三种过采样策略：无过采样、随机过采样和合成少数过采样技术（SMOTE），以评估其对模型性能的影响。还对模型进行了超参数调优，以优化模型准确率。我们的结果表明，过采样技术对模型性能整体影响有限。唯一的例外是 SMOTE 在 BERT 系列模型中显示出积极效果。然而，超参数优化显著提高了所有模型的准确率，增强了它们在数据集上的泛化和性能能力。决策树和 eXtreme Gradient Boost 模型在机器学习方法中达到了最高的 96% 准确率，而 DistilBERT 和 SciBERT 模型在深度学习类别中也达到了 96% 的准确率。这些发现凸显了在最大化模型性能方面进行超参数调优的重要性。这一研究为利用人工智能辅助诊断工具在精神健康领域的研究提供了关于不同模型架构和数据平衡方法有效性的见解。