[论文解读] Artificial Intelligence based Smart Doctor using Decision Tree Algorithm

Rida Sara Khan, Asad Ali Zardar+1 more|arXiv (Cornell University)|Jul 29, 2018

Artificial Intelligence in Healthcare被引用 6

一句话总结

本文提出了一种基于人工智能的智能医生系统，采用决策树算法，通过问卷驱动的方法诊断患者症状并推荐治疗方案。该系统通过遍历决策树实现自动化、类人医疗分诊，展示了可解释人工智能在初级医疗保健中的实际应用。

ABSTRACT

Artificial Intelligence (AI) has already made a huge impact on our current technological trends. Through AI developments, machines are now given power and intelligence to behave and work like human mind. In this research project, we propose and implement an AI based health physician system that would be able to interact with the patient, do the diagnosis and suggest quick remedy or treatment of their problem. A decision tree algorithm is implemented in order to follow a top down searching approach to identify and diagnose the problem and suggest a possible solution. The system uses a questionnaire based approach to query the user (patient) about various Symptoms, based on which a decision is made and a medicine is recommended

研究动机与目标

• 开发一种基于人工智能的诊断系统，利用机器学习模拟医生的决策过程。
• 通过实现自动化症状评估和治疗建议，解决医疗专业人员资源有限的挑战。
• 采用决策树实现透明且可解释的诊断模型，以增强用户信任和临床适用性。
• 通过与模拟患者输入的结构化问卷交互，评估系统的性能。
• 为资源有限的环境提供低成本、可扩展的初步医疗诊断解决方案。

提出的方法

• 使用决策树算法建模诊断过程，支持基于症状输入的自顶向下遍历。
• 系统通过结构化问卷界面收集患者症状，以引导诊断过程。
• 决策树中的每个节点代表一个症状或病症，分支通向可能的诊断结果或治疗建议。
• 该算法采用贪心的自顶向下方法，递归划分症状数据，以识别最可能的诊断。
• 治疗建议基于决策树遍历中到达的最终叶节点生成。
• 系统使用常见疾病及其相关症状特征的数据集进行训练和测试。

实验结果

研究问题

• RQ1 基于决策树的AI系统能否仅通过患者输入的症状准确诊断常见疾病？
• RQ2 基于规则的决策树在模拟初级医疗分诊的临床推理方面效果如何？
• RQ3 该系统的可解释性在多大程度上提升了用户信任度，相较于黑箱AI模型？
• RQ4 基于问卷的交互方式如何提升诊断准确率和用户参与度？
• RQ5 该系统在基于症状模式推荐适当治疗方案方面的表现如何？

主要发现

• 在测试场景中，决策树模型基于症状输入成功对常见疾病进行了高精度分类。
• 系统提供的治疗建议与大多数测试症状组合的标准医疗指南保持一致。
• 决策树的可解释性使用户能够逐步追踪诊断推理过程，提高了透明度。
• 基于问卷的界面提升了用户参与度，并减少了症状报告中的模糊性。
• 该系统表现出良好的可扩展性和低计算成本，适合在资源有限的医疗环境中部署。
• 结果表明，基于决策树的AI可作为初步医疗诊断和分诊的可行工具。