具有距離排序機制的深度監督式度量學習之基於時空間序列的疼痛強度估測系統

Abstract

在醫院急診中，檢傷系統幫助醫護人員決定病患的危急程度。在台灣，我們 所使用的是台灣急診檢傷五級分類系統，然而統計顯示有超過一半 (54%) 的急診 病患被分類至第三級。這隱含了兩個問題，這個系統會高估或低估病患的緊急程 度，低估可能會造成病患病情的急劇惡化而高估可能會浪費有限的醫療資源，所 以我們需要一個新的檢傷系統來最佳化我們醫療資源的使用。 疼痛指數是判斷病患狀態的其中一個指標，所以在這篇論文中，我們專注在 預測每個病患的疼痛指數，在現行的醫療體系中，疼痛指數是根據視覺類比量表 定義出來的，因為這種疼痛指數是病患自己評估的，所以這種數值有非常強烈的 主觀性並造成不同病患之間的疼痛判定有很大的落差。為了解決這種問題，我們 基於端到端訓練的深度模型架構設計了一個自動評估疼痛指數的系統，我們根據 所看到的病患影像資訊，並在訓練時加入特徵距離排序損失。我們的模型會先從 影片萃取出特徵，這個特徵不僅是拿來預測疼痛指數的，它也幫助我們計算特徵 距離排序損失。我們根據疼痛強度的有序性來設計這個損失函數，這個損失函數 會依據特徵和每個等級的距離做特徵排序。 在實驗中顯示我們的方法在各種指標上勝過以前的方法，這些指標包含平均 平方誤差、平均絕對誤差、組內相關係數和皮爾森積動差相關係數。在消融研究 中更可以顯示出我們的方法是如何改善疼痛指數的預測。