利用大语言模型通过自然语言处理提供实时可解释的智力衰退机器学习预测
计算与语言
2024-09-06 v1 人工智能
机器学习
摘要
根据官方估计，全球有 5000 万人受到痴呆症的影响，且每年新增 1000 万患者。在无法治愈的情况下，临床预后和早期干预是延缓其进展的最有效方法。为此，可利用人工智能和计算语言学进行自然语言分析、个性化评估、监测和治疗。然而，传统方法缺乏足够的语义知识管理和可解释能力。此外，尽管大语言模型 (LLM) 代表了使用智能系统进行临床-患者沟通的最先进方式，但将其用于认知衰退诊断的情况仍然很少。因此，我们在聊天机器人解决方案中利用 LLM 并结合最新的自然语言处理 (NLP) 技术，以提供实时、可解释的认知衰退机器学习预测。我们利用语言-概念特征进行适当的自然语言分析。通过可解释性，我们旨在对抗模型的潜在偏差，并提升其辅助临床工作者做出诊断决策的潜力。更详细地说，所提出的流程包括：(i) 采用基于 NLP 的提示工程进行数据提取；(ii) 基于流的数据处理，包括特征工程、分析和选择；(iii) 实时分类；(iv) 可解释性仪表板，用于提供预测结果的视觉和自然语言描述。所有评估指标的分类结果均超过 80%，其中智力衰退类别的召回率约为 85%。总而言之，我们为这项工作贡献了一个经济、灵活、无创且个性化的诊断系统。
引用
@article{arxiv.2409.03375,
title = {Leveraging Large Language Models through Natural Language Processing to provide interpretable Machine Learning predictions of mental deterioration in real time},
author = {Francisco de Arriba-Pérez and Silvia García-Méndez},
journal= {arXiv preprint arXiv:2409.03375},
year = {2024}
}