针对高度不平衡多类分布下的远程医疗专科检测
机器学习
2024-02-23 v1 人工智能
摘要
新冠疫情促使人们对远程医疗服务的意识和需求增加，导致需要自动化处理过程，依赖机器学习（ML）以减轻运营负担。该研究提出一种基于机器学习模型的专科检测分类器，用于自动化检测每个问题的正确专科并将其路由到正确医生。研究聚焦于处理阿拉伯语医疗问题的多类高度不平衡数据集，比较 various 过采样技术，开发用于专科检测的深度神经网络（DNN）模型，并探索依赖专科检测的隐藏商业领域，如为不同专科定制和个性化咨询流程。该提议模块在同步和异步医疗咨询中部署，以提供更实时的分类，最小化医生在识别正确专科方面的工作量，并使系统在定制医疗咨询流程方面更具灵活性。评估和评估基于准确率、精确率、召回率和 F1 分数。实验结果表明，结合多种技术（如 SMOTE 和重新加权结合关键词识别）是必要的，以在不平衡多类数据集中提高检测稀有类的性能。通过采用这些技术，专科检测模型可以在稀有数据常见的实际场景中更准确地检测稀有类。
引用
@article{arxiv.2402.14039,
title = {Specialty detection in the context of telemedicine in a highly imbalanced multi-class distribution},
author = {Alaa Alomari and Hossam Faris and Pedro A. Castillo},
journal= {arXiv preprint arXiv:2402.14039},
year = {2024}
}