تشخیص ناهنجاری های تفسیر پذیر در داده های بالینی

تشخیص به موقع و دقیق ناهنجاریها (Anomalies) در داده های بالینی، که اغلب ماهیتی پیچیده، چندبعدی و حجیم دارند، نقشی حیاتی در بهبود نتایج درمانی بیماران و کاهش خطاهای پزشکی ایفا می کند. ناهنجاری های بالینی می توانند شامل رکوردهای نادر پزشکی، الگوهای غیرعادی فیزیولوژیک، یا داده های پرت مربوط به دوز دارویی باشند. روشهای سنتی تشخیص ناهنجاری، به ویژه در حوزه های یادگیری عمیق، معمولا عملکرد بالایی در شناسایی ناهنجاری ها دارند، اما اغلب فاقد قابلیت توضیح و تفسیرپذیری لازم برای تصمیم گیری توسط پزشکان هستند. این خلاء، بکارگیری گسترده این مدل ها در محیط های حیاتی پزشکی را محدود می سازد.هدف اصلی این پژوهش، توسعه یک چارچوب جامع برای تشخیص ناهنجاری های تفسیرپذیر در مجموعه داده های جدولی بالینی )مانند دادههای (ICU با استفاده از ترکیب مدل های یادگیری عمیق و الگوریتم های جنگل تصادفی یا جنگل ایزوله-سازی است. ما از معماری خودرمزگذار (AE)مبتنی بر شبکه های عصبی مصنوعی برای یادگیری بازنمایی فشرده و کارآمد از داده های نرمال بالینی بهره می بریم. عدم توانایی AE در بازسازی کامل داده های ناهنجار، به عنوان معیار اصلی خطای بازسازی مورد استفاده قرار میگیرد.برای افزایش قدرت تفکیک و اطمینان پذیری،خطای بازسازی به دست آمده از AE به عنوان ورودی به یک مدل یادگیری ماشین سنتی تر، یعنی جنگل تصادفی یا جنگل ایزوله، تزریق میشوند تا تصمیم نهایی در مورد ماهیت ناهنجاری اتخاذ گردد. این ترکیب، ضمن بهره گیری از قدرت استخراج ویژگی های غیرخطی AE، از دقت دسته بندی مدلهای مبتنی بر درخت بهره می برد. ادغام ابزارهای هوش مصنوعی توضیح پذیر (XAI)، به طور خاص الگوریتم SHAP در مدل ترکیب نهایی از مهمترین نوآوری های این پژوهش به شمار می آید. پس از شناسایی یک رکورد به عنوان ناهنجاری، SHAP برای تعیین سهم هر ویژگی بالینی )مانند فشار خون، سطح اکسیژن، دوز دارو( در امتیاز ناهنجاری آن رکورد به کار می رود. این امر امکان تولید توضیحات محلی را فراهم می کند که به صورت عینی نشان می دهند چرا یک بیمار خاص ناهنجار تشخیص داده شده است.

کلیدواژه ها:

تشخیص ناهنجاری (AD) ، یادگیری عمیق ، داده های بالینی ، تفسیرپذیری مدل