MAL-Net:一个多标签深度学习框架,集成LSTM和多头注意力,用于使用临床传感器数据对IgA脏病亚型的增强分类
Hongyan Wang1, Yuehui Liao1, Li Gao2
1School of Medical Technology and Information Engineering, Zhejiang Chinese Medical University, Hangzhou 310053, China.
Sensors (Basel, Switzerland)
|April 28, 2025
概括
一个新的深度学习模型,MAL-Net,使用各种临床数据准确地分类IgA脏病 (IgAN) 亚型. 这一进步有助于Igan患者的早期诊断和个性化治疗.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- IgA病 (IgAN) 是造成衰竭的主要原因,其特征是复杂的异质性.
- 目前的分类方法与IGAN的多样化数据和重叠的症状作斗争.
- 需要先进的工具来准确地分类Igan,以便更好地管理患者.
研究的目的:
- 引入MAL-Net,这是一个用于多标签Igan亚型分类的深度学习框架.
- 利用多维临床数据,包括基于传感器的输入,以改进IgAN亚型.
- 为了应对Igan分类中的数据异质性和类不平衡的挑战.
主要方法:
- 开发了MAL-Net,集成长期短期记忆 (LSTM) 和多头注意力 (MHA) 网络.
- 利用内存网络从临床传感器和记录中提取特征.
- 在500名Igan患者的数据上训练并验证了该模型,包括人口统计,实验室和症状.
主要成果:
- 马尔-网实现了91%的准确性和0.97的AUC,超过了六个基线模型.
- 多头注意力显著改善了分类,特别是对于罕见的Igan亚型.
- Ni-du亚型的F1分数增加了0.8,表明有效地缓解了阶级失衡.
结论:
- MAL-Net为多标签Igan亚型分类提供了一个强大的解决方案.
- 该框架有效地处理数据异质性,类不平衡和特征相互依赖.
- 整合临床传感器数据可以提高IGAN亚型的预测,从而改善诊断和预后.
