基于共同注意力交叉融合的疾病诊断技术的开发,多组数据的交叉融合

科学领域:

• 生物医学信息学 生物医学信息学
• 计算生物学 计算生物学
• 医学诊断 医学诊断 医学诊断

背景情况:

• 早期疾病诊断对于改善患者生存率至关重要.
• 生物技术的进步导致了各种生物组学数据类型的增加.
• 整合多组学数据为准确的诊断提供了更全面的生物见解.

研究的目的:

• 开发一种适用于各种疾病的多功能多态疾病诊断模型.
• 解决目前专注于单一疾病或OMIC类型的模型的局限性.
• 有效地利用多组学数据进行准确和广泛的疾病诊断.

主要方法:

• 提出了一种创新的共同注意力交叉融合模型,利用振动光谱和代谢学数据.
• 来自不同omics数据类型的综合信息.
• 模拟了多组数据之间的相互作用,以提高诊断准确度.

主要成果:

• 实现了高诊断准确率:95.00% (甲状腺),94.95% (SLE) 和97.22% (癌症).
• 获得了优异的曲线下面积 (AUC) 值:95.00% (甲状腺),96.77% (SLE) 和99.31% (癌症).
• 在诊断多种疾病方面表现出色.

结论:

• 共同注意力交叉融合模型的性能优于现有的多态诊断模型.
• 该模型提高了医疗诊断的准确性,并为多态数据应用提供了新的途径.
• 为早期和精确的疾病诊断提供了一种强有力的工具,具有重要的临床影响.