基于LSTM-ANN混合人工智能系统降低尼日利亚新生儿死亡率的研究

《International Journal of Medical Informatics》：Hybridized artificial intelligence system for reducing neonatal mortality in Nigeria

本研究针对尼日利亚新生儿疾病高死亡率问题，开发了一种基于长短期记忆网络(LSTM)与人工神经网络(ANN)的混合人工智能系统。研究人员利用本地4270例临床数据，通过SMOTE平衡等技术，成功构建出高精度诊断模型。结果显示，该混合模型准确率达82%，在败血症、出生窒息等疾病分类上表现优异，为早期干预提供了有力工具，对降低新生儿死亡率具有重要意义。

　　

在尼日利亚，新生儿疾病是导致死亡的首要原因，这使得该国在全球新生儿死亡率排名中高居第二位。每一个数字的背后，都是一个家庭的悲痛。早期且准确的诊断对于挽救这些幼小的生命至关重要，然而，在医疗资源相对有限的现实条件下，这仍然是一个巨大的挑战，常常导致干预措施被延迟，最终使得本可避免的死亡发生。正是为了应对这一严峻的公共卫生问题，来自尼日利亚联邦科技大学阿克雷分校的Charity S. Odeyemi、Olatayo M. Olaniyan、Bolaji A. Omodunbi、Ibitoye B. Samuel、Afeez A. Soladoye和David B. Olawade等研究人员，将目光投向了前沿的人工智能技术，旨在开发一个能够利用本地数据、有效辅助早期诊断的系统，从而为降低新生儿死亡率贡献力量。他们的这项研究成果发表在《International Journal of Medical Informatics》上。

为了开展这项研究，研究人员主要应用了以下几个关键技术方法：首先，他们从尼日利亚西南部三个州的五家三级医院收集了4027份历史新生儿临床记录，构建了本地化数据集；其次，对数据进行了全面的分析和预处理，并采用合成少数类过采样技术(SMOTE)来解决数据不平衡问题；最后，他们训练并比较了三种深度学习模型：人工神经网络(ANN)、长短期记忆网络(LSTM)以及一种新颖的混合LSTM-ANN架构，并使用准确性、精确度、召回率和F1分数等指标，结合严格的基于对象的验证和统计检验（如McNemar's test和Friedman test）来评估模型性能。

Results

模型性能比较

研究人员对三种深度学习模型的性能进行了全面评估。结果显示，新提出的混合LSTM-ANN模型表现最为出色，其准确率达到82%，精确度为88%，召回率为82%，F1分数为86%。该模型显著优于单独的ANN模型（准确率80%）和LSTM模型（准确率77%）。统计检验进一步证实了这种优势：McNemar's test表明混合模型相对于ANN（χ2 = 12.45, p < 0.001）和LSTM（χ2 = 15.67, p < 0.001）的改进具有统计学意义。Friedman test（χ2 = 18.42, p < 0.001）则验证了混合模型带来的5-6%的准确率提升是显著的。

疾病特异性分类结果

研究还对混合模型在特定新生儿疾病分类上的表现进行了深入分析。模型对败血症（sepsis）的诊断表现出极高的水准，精确度达到0.90，F1分数为0.88。对于出生窒息（birth asphyxia），精确度和F1分数分别为0.88和0.85。在黄疸（jaundice）的诊断上，精确度为0.86，F1分数为0.83。对于早产（prematurity）相关问题的识别，模型也取得了令人满意的结果，精确度和F1分数分别为0.82和0.80。这表明该混合模型不仅整体性能优越，在处理多种关键新生儿疾病时也具备强大的鉴别能力。

本研究成功开发并验证了一种混合LSTM-ANN人工智能系统，该系统在利用尼日利亚本地临床数据检测多种新生儿疾病方面展现出卓越的性能。研究表明，该模型作为一个有价值的诊断工具，有潜力辅助医疗工作者进行早期新生儿疾病 detection（检测），从而为及时干预、降低新生儿死亡率提供技术支持。然而，研究人员在讨论部分也明确指出，在将该系统投入临床实际应用之前，还必须进行外部验证（即在独立于训练数据集的新数据上进行测试）和前瞻性的临床试验，以进一步评估其在实际医疗环境中的有效性、可靠性和安全性。这项工作不仅为尼日利亚，也为面临类似挑战的其他地区，在利用人工智能改善新生儿健康结局方面迈出了坚实的一步。