高度不平衡多类分布下的远程医疗专科检测

新冠疫情大流行提高了人们对远程医疗服务的认识并增加了相关需求，从而产生了自动化流程并依赖机器学习（ML）以减轻运营负荷的需要。本研究提出了一种基于机器学习模型的专科检测分类器，以自动化检测每个问题所属的正确专科并将其路由至相应医生的过程。该研究侧重于处理阿拉伯语医疗问题的多类且高度不平衡数据集，比较了一些过采样技术，开发了一种用于专科检测的深度神经网络（DNN）模型，并探索了依赖专科检测的潜在业务领域，如为不同专科定制和个性化咨询流程。所提出的模块部署于同步和异步医疗咨询中，以提供更实时的分类，减少医生在处理正确专科上的精力，并赋予系统在定制医疗咨询流程方面更大的灵活性。评估基于准确率、精确率、召回率和 F1 分数。实验结果表明，结合多种技术（如 SMOTE、重加权与关键词识别）对于在不平衡多类数据集中检测稀有类别以实现性能提升是必要的。通过使用这些技术，专科检测模型可以在数据不平衡常见的现实场景中更准确地检测稀有类别。