转载：数字医疗公众号急性呼吸窘迫综合征（ARDS）是一种严重的呼吸系统疾病，具有高发病率和死亡率。由于其临床表现多样且复杂，ARDS的准确诊断一直是临床面临的挑战。传统诊断方法主要依赖专家的病例回顾，这一过程既耗时又昂贵。近年来，机器学习模型在自动化ARDS检测方面展现出潜力，但这些模型往往缺乏透明性，难以解释其预测过程，限制了在临床环境中的应用。为解决这一问题，概念瓶颈模型作为一种可解释的替代方案应运而生。本文提出了一种创新的上下文感知的概念瓶颈模型，该模型通过整合来自非结构化临床记录的上下文信息，显著提高了ARDS诊断的准确性和可解释性。概念瓶颈模型的背景与挑战概念瓶颈模型通过将预测过程分解为两个阶段来提高模型的可解释性：首先预测一组预定义的、人类可理解的概念，然后利用这些概念进行最终预测。然而，传统概念瓶颈模型在处理复杂临床任务时面临诸多挑战，尤其是概念泄漏问题，即模型可能通过与目标标签统计相关的信息来推断中间概念，而非纯粹基于输入特征。这种依赖关系导致模型在训练时表现良好，但在实际应用中泛化能力下降。此外，传统的概念瓶颈模型通常仅依赖于结构化的电子病历数据，忽略了非结构化临床记录中丰富的上下文信息。 上下文感知的概念瓶颈模型的创新点为了克服上述挑战，研究团队提出了一种创新的上下文感知概念瓶颈模型，该模型通过整合来自非结构化临床记录的上下文信息来增强概念瓶颈模型的性能。具体而言，该模型利用大语言模型从放射学报告、出院小结和超声心动图解释等非结构化临床记录中提取额外概念，这些概念与结构化电子病历数据一起构成多模态表示，用于最终的ARDS预测。●多模态数据融合上下文感知概念瓶颈模型通过结合结构化电子病历数据和非结构化临床记录中的信息，实现了多模态数据的有效融合。大语言模型从非结构化文本中提取的概念提供了与ARDS诊断相关的额外视角，这些概念在统计上与目标标签的依赖性较低，从而减少了概念泄漏的风险。例如，大语言模型可以识别出放射学报告中的“双侧浸润”或出院小结中的“肺炎”等关键信息，这些信息对于ARDS的准确诊断至关重要。●概念完整性与信息泄漏减少通过引入大语言模型生成的概念，上下文感知概念瓶颈模型不仅扩展了概念空间的完整性，还减少了模型对可能编码与标签虚假相关性的结构化变量的依赖。实验结果表明，与仅使用结构化电子病历数据的传统的概念瓶颈模型相比，上下文感知概念瓶颈模型在ARDS诊断任务上实现了8-10%的性能提升，同时显著提高了概念与结果之间的互信息，表明概念泄漏现象得到有效缓解。 ●可解释性与干预能力概念瓶颈模型的核心优势在于其可解释性，允许临床医生在概念层面进行干预，纠正错误的预测。上下文感知概念瓶颈模型进一步增强了这一特性，通过提供更全面的概念表示，使医生能够更准确地理解模型的预测依据。实验表明，通过对错误分类案例的概念级干预，可以显著提高模型的预测性能，进一步验证了上下文感知概念瓶颈模型的临床实用性和可靠性。实验验证与结果分析研究团队在MIMIC-IV数据库上进行了广泛的实验验证，该数据库包含了大量重症监护病房患者的电子病历数据。实验结果表明，上下文感知概念瓶颈模型在多个评估指标上均优于传统的概念瓶颈模型和基线模型，包括准确性、精确性、召回率和F1分数。此外，该模型在不同患者分布的数据集上表现出良好的鲁棒性，进一步证明了其在实际临床环境中的适用性。 结论与展望本文提出的上下文感知概念瓶颈模型通过整合来自非结构化临床记录的上下文信息，显著提高了ARDS诊断的准确性和可解释性。该模型不仅扩展了概念空间的完整性，减少了概念泄漏的风险，还通过提供透明的预测过程，增强了临床医生对模型的信任度。未来工作将聚焦于在真实世界诊断约束下训练模型，并进一步探索大语言模型生成概念可能引入的噪声和幻觉问题的解决方案。总之，上下文感知概念瓶颈模型为ARDS等复杂疾病的自动化诊断提供了一种高效、可靠且可解释的新方法。