基于犹豫模糊集与深度学习医学图像分析的物联网医疗中考虑信任因素的临床决策支持系统

《Scientific Reports》：Trust-aware clinical decision support in IoMT using hesitant fuzzy sets and deep learning-based medical image analysis

　　

摘要

医疗物联网有望实现对患者的持续监测以及智能的临床分析；然而，一个重要的挑战在于如何从不确定、充满噪声且可能不可靠的数据中做出可靠的决策。目前的方法通常集中在医学图像分析或连接式医疗设备的完整性评估上，自动化临床决策支持的可靠性较为有限。在这项研究中，我们提出了一种基于深度学习医学图像分析、可靠性自适应犹豫模糊融合以及多准则决策排序的信任感知框架，以克服这一局限。该框架通过BraTS 2021多模态磁共振成像数据集进行了测试，用于对患者层面的肿瘤负荷进行分类。深度学习提取的图像特征与受控的设备完整性属性相结合，各个相互关联的决策准则会先进行全局加权，然后再根据预测不确定性、时间上的犹豫程度以及图像与设备完整性的匹配度在患者层面进行适配。在混合运行条件下，所提出的框架取得了99.1%的准确率、98.6%的精确度、98.2%的召回率以及98.4%的F1分数。其性能是按照与最优深度学习基准方法相同的评估标准测得的，准确率高出4.3%，精确度高出4.7%，召回率高出5.0%，F1分数高出4.9%。在通信受到控制且设备性能下降的情况下，该框架的决策可靠性为96.2%，信任指数准确率为95.7%，错误诊断率为5.2%。这些结果表明，这种自适应融合机制不仅提升了肿瘤负荷的分类精度，还提高了医疗物联网环境中的系统可靠性。