基于深度循环架构的新生儿败血症检测研究

### 基于深度循环架构的新生儿败血症检测研究 #### 1. 模型训练与验证 在新生儿败血症检测的研究中，采用了基于反向传播的梯度下降（BP - based GD）方法进行模型训练。为了评估模型性能，使用了多种指标，包括正样本的精确率（Prec.）、召回率（Recall）、F1 分数（F1 - score）和特异性（Spec.），整体的受试者工作特征曲线下面积（AUROC）和平衡准确率（bAcc），以及负样本的特异性。 为了验证方法的泛化能力并充分利用数据集信息，采用了改进的留一患者交叉验证方法。具体流程如下： 1. 训练数据：包含除一名阳性患者外的所有阳性患者，以及随机抽取的 10% 阴性患者。 2. 验证数据：由剩余的 90% 阴性患者和被排除的阳性患者组成。 3. 重复过程：该过程重复十次，每次将一名阳性患者分配到验证集，直到所有阳性患者都被使用。 4. 结果报告：以验证数据上计算的性能指标的均值和标准差来报告结果。 通过分离验证数据中的患者，可以评估模型的特异性，并确定模型是否会对病情最危急的阳性患者产生更多误报。 #### 2. 数值结果分析 ##### 2.1 基线模型结果 | 模型 | 人群 | 精确率 | 召回率 | F1 分数 | 正样本特异性 | 负样本特异性 | AUROC | 平衡准确率 | | --- | --- | --- | --- | --- | --- | --- | --- | --- | | LR | 阳性 | 0.06 ± 0.04 | 0.60 ± 0.39 | 0.11 ± 0.07 | 0.73 ± 0.28 | 0.77 ± 0.04 | 0.81 ± 0.15 | 0.60 ± 0.23 | | Vanilla RNN | 阳性 | 0.04 ± 0.04 | 0.59 ± 0.41 | 0.07 ± 0.07 | 0.58 ± 0.24 | 0.70 ± 0.11 | 0.71 ± 0.18 | 0.62 ± 0.18 | 从这些数据可以看出，LR 模型在整体人群的 AUROC 方面比 Vanilla RNN 模型高 14%，分别为 0.81 和 0.71。虽然 Vanilla RNN 模型在整体人群的平衡准确率上略高，但由于标准差较大，需要谨慎对待。在负样本特异性方面，LR 模型（0.77）高于 Vanilla RNN 模型（0.70）；在正样本特异性方面，LR 模型（0.73）比 Vanilla RNN 模型（0.58）高 26%，不过标准差也较大。在其他指标如精确率、召回率和 F1 分数上，两个模型表现相似。这表明 LR 模型略优于 Vanilla RNN 模型，说明后者在捕捉连续基于窗口特征的时间依赖性方面不足。 ##### 2.2 LSTM 基 RNN 模型结果 | 隐藏大小 | 层数 | 人群 | 精确率 | 召回率 | F1 分数 | 正样本特异性 | 负样本特异性 | AUROC | 平衡准确率 | | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | | 50 | 3 | 阳性 | 0.06 ± 0.08 | 0.23 ± 0.36 | 0.08 ± 0.12 | 0.92 ± 0.14 | 0.99 ± 0.02 | 0.72 ± 0.22 | 0.6 ± 0.18 | | 100 | 3 | 阳性 | 0.17 ± 0.24 | 0.31 ± 0.39 | 0.18 ± 0.26 | 0.91 ± 0.21 | 0.97 ± 0.03 | 0.74 ± 0.26 | 0.64 ± 0.2 | | 150 | 3 | 阳性 | 0.05 ± 0.06 | 0.19 ± 0.32 | 0.07 ± 0.09 | 0.93 ± 0.17 | 0.97 ± 0.03 | 0.77 ± 0.23 | 0.59 ± 0.16 | | 200 | 3 | 阳性 | 0.16 ± 0.31 | 0.36 ± 0.40 | 0.18 ± 0.31 | 0.87 ± 0.17 | 0.98 ± 0.03 | 0.81 ± 0.18 | 0.66 ± 0.2 | | 50 | 4 | 阳性 | 0.04 ± 0.12 | 0.03 ± 0.07 | 0.03 ± 0.09 | 0.94 ± 0.13 | 0.97 ± 0.03 | 0.61 ± 0.23 | 0