RobIn：一种用于精神分裂症诊断的鲁棒可解释深度网络
机器学习
2022-04-01 v1
摘要
精神分裂症是一种严重的精神健康疾病，其诊断过程漫长且复杂。然而，早期诊断对于控制症状至关重要。深度学习最近已成为分析和解释医疗数据的流行方法。过去尝试使用深度学习从脑成像数据诊断精神分裂症显示出了前景，但存在巨大的训练与应用差距——难以将实验室研究应用于现实世界。我们建议通过关注易于获取的数据来缩小这一训练与应用差距。我们收集了一组基于 DSM-5 标准的患者精神病学观察数据集。由于所有使用 DSM-5 诊断精神分裂症的心理健康诊所都已经记录了类似数据，我们的方法可以作为一种辅助临床医生的工具轻松整合到现有流程中，同时遵循正式的诊断标准。为了促进我们系统的现实世界应用，我们展示了其可解释性与鲁棒性。理解机器学习工具如何得出诊断对于让临床医生信任该诊断至关重要。为了解释该框架，我们融合了两种互补的注意力机制，即“压缩与激励”和“自注意力”，分别用于确定全局属性重要性和属性交互性。模型使用这些重要性分数进行决策。这使得临床医生能够理解诊断是如何得出的，从而增强对模型的信任。由于机器学习模型通常难以泛化到来自不同来源的数据，我们使用增强的测试数据进行了实验，以评估模型在现实世界中的适用性。我们发现我们的模型对扰动具有更强的鲁棒性，因此应在临床环境中表现更好。该模型在 10 折交叉验证下达到了 98% 的准确率。
引用
@article{arxiv.2203.17085,
title = {RobIn: A Robust Interpretable Deep Network for Schizophrenia Diagnosis},
author = {Daniel Organisciak and Hubert P. H. Shum and Ephraim Nwoye and Wai Lok Woo},
journal= {arXiv preprint arXiv:2203.17085},
year = {2022}
}