پیش بینی احساسات بیماران نسبت به داروها با رویکرد یادگیری عمیق تفسیرپذیر

پیش بینی و تحلیل احساسات در حوزه پزشکی برای کمک به پزشکان ضروری است و به آن ها بینش در مورد بازخورد بیماران درباره رویه درمان را می دهد. در این مطالعه، یک مجموعه داده نظرهای دارویی که از یک تارنما گردآوریشده مورد استفاده قرار گرفته و نمونه های آن به سه دسته احساس منفی، خنثی و مثبت تقسیم شده اند. از الگوریتم های یادگیری عمیق واحد بازگشتی دروازه ای دوطرفه و حافظه طولانی-کوتاه مدت دوطرفه به منظور پیش بینی احساسات بیماران استفاده شده است. پس از آموزش و آزمایش این مدل ها، مدل واحد بازگشتی دروازه ای دوطرفه دقت برابر ۷۰/۸۹ درصد و امتیاز-اف ۱ برابر ۵۲/۸۵ درصد، و مدل حافظه طولانی-کوتاه مدت دقت برابر ۹۳/۸۸ درصد و امتیاز-اف ۱ برابر ۰۵/۸۴ درصد را توانسته اند به دست بیاورند. همچنین، از یک روش تفسیرکننده مدل های هوش مصنوعی و یادگیری عمیق برای اولین بار در این مطالعه برای بررسی و توضیح چگونگی تصمیم گیری مدل بر روی این مجموعه داده استفاده شدهاست تا اعتماد پزشکان نسبت به مدل افزایش پیدا کند. نتایج به دست آمده نشانمی دهد که مدل واحد بازگشتی دروازه ای دوطرفه عملکرد بهتری را در مقایسه با مدل های مطالعه های پیشین دارد. مدل واحد بازگشتی دروازه ای ما می تواند به عنوان یک ابزار کمکی برای پیش بینی احساسات بیماران نسبت به داروها در حوزه پزشکی مورد استفاده قرار گیرد.

کلیدواژه ها:

تحلیل احساسات ، نظرهای دارویی بیماران ، هوش مصنوعی ، یادگیری عمیق ، هوش مصنوعی تفسیرپذیر ، داده ورزی پزشکی