论文部分内容阅读
近年来,随着人们的生活水平不断提高,生活节奏不断加快,人们所承受的精神压力也在不断增大,精神类疾病的患病人数在急剧增加。其中双相情感障碍成为精神类疾病的一大杀手。双相情感障碍在发作初期,很容易被误诊为抑郁症,而抑郁症与双相障碍属于两类不同的精神疾病。如果误诊加以错误的治疗,很有可能会引发其他疾病。目前通常使用国际通用精神科量表,比如情感障碍评估(Affective Disorder Evaluation,ADE)来诊断。ADE诊断量表是一个他评量表,由美国研发,国内使用的版本由ADE翻译而来,中美在文化及人文精神上存在差异,直接翻译的条目并不适合直接在国内临床使用而需要进一步的修订。近年来,机器学习算法得到长足发展,将机器学习算法用于优化相关量表的研究开始出现。在这篇论文中,利用机器学习方法,使用CAFé-BD数据来优化ADE量表。为找寻最优解决方案,采用5种机器学习算法。首先,在医生的建议下,从ADE中选择出合适数目的问题,然后利用最小冗余最大相关算法,对这些选择出的问题按照对最终结果的影响排序。排完序以后,采用前向特征选择的方式,依次选择合适的特征,分别放入上述五种算法中训练得到五个分类器,然后将新的数据依次放入到这五个分类器中,就会得到五种预测结果。实验以预测结果的受试者特征曲线(Receiver Operating Characteristic Curve,ROC)下的面积值(Area Under Curve,AUC)作为优化的选择标准,以简明国际神经精神访谈(Mini-International Neuropsychiatric Interview,MINI)诊断结果作为优化目标标准,对量表进行优化。通过这种方法,ADE量表被优化成两个版本,分别是用于诊断双相亚型的量表和用于诊断双相Ⅱ型和单相抑郁的量表。优化版的双相亚型量表包含16个问题,题目数量减少了85.7%,准确率得到0.813,敏感度为0.678,特异度为0.902。优化版的双相Ⅱ型和抑郁量表包含43个问题,题目数量减少了61.6%,准确率为0.922,敏感度为0.943,特异度为0.909。优化后的两个量表在准确率上都比原来ADE的准确率有所提高。优化的量表根据客观的题目得到分析结果,更加客观可靠。目前,优化版量表已经应用在了体检中心的智能心理体检服务以及医院的预诊系统中,实现了筛查与辅助诊断的功能。