医疗先验引导的TabMap深度学习模型用于卵巢癌预测及可解释性研究OA

目的针对卵巢癌早期诊断中表格型医疗数据特征关联复杂、模型可解释性不足等问题,提出一种融合医疗先验知识的TabMap图像映射与深度学习预测框架。方法首先,根据临床语义将36个医疗诊断特征划分为血常规分区、生化指标分区、肿瘤标志物分区以及其他(凝血、炎症及临床变量)分区4个空间连续区域;其次,采用Gromov-Wasserstein最优传输算法求解特征空间与像素空间的最优耦合,生成保持拓扑结构的TabMap图像;然后,设计融合SE注意力机制和全局平均池化的轻量级卷积神经网络,通过类别加权损失和加权采样策略应对样本不平衡问题;最后,利用类激活映射技术可视化模型决策过程,实现可解释性分析。结果在真实卵巢癌数据集上的实验表明,本文方法的测试集准确率达到91.82%,精确率为89.96%,召回率为89.45%,F1分数为0.8970,平衡准确率为88.51%,相比传统机器学习方法准确率提升8.26%~14.93%,相比标准深度学习模型准确率提升2.28%~13.60%。可解释性分析显示,模型在肿瘤标志物分区以及凝血、炎症以及临床变量相关分区中呈现出明显的响应模式,与临床既有认知保持一致;特征重要性排序进一步强调了CA125、HE4等关键指标在模型决策中的核心作用。结论本研究提出的医疗先验引导TabMap方法有效融合了领域知识与数据驱动学习,在提升预测性能的同时增强了模型的临床可解释性,为表格型医疗数据的深度学习建模提供了新思路,具有良好的临床应用潜力。