M-TabNet:一种基于变压器的多编码器,用于使用多模式数据预测早期新生儿出生体重

科学领域:

• 孕产妇和胎儿的医学
• 医疗保健中的人工智能
• 新生儿健康新生儿健康

背景情况:

• 出生体重 (BW) 对新生儿健康至关重要;低出生体重 (LBW) 会增加死亡率/发病率.
• 早期的BW预测有助于预防胎儿生长障碍,但当前的超声波等方法存在局限性.
• 现有的模型往往忽视营养和遗传因素,主要关注生理和生活方式方面的因素.

研究的目的:

• 开发一个准确的早期 (<12周怀孕) 出生体重预测模型.
• 整合各种母亲数据,包括生理,生活方式,营养和遗传因素.
• 解决现有模型的局限性,提高风险分层的临床实用性.

主要方法:

• 采用了基于注意力的变压器模型,具有多编码器架构.
• 该模型整合了各种各样的母亲数据:生理,生活方式,营养和遗传.
• 用特征重要性和SHAP分析来确定模型的可解释性.

主要成果:

• 该模型在内部数据集上实现了高预测精度,平均绝对误差 (MAE) 为122克,R2为0.94.
• 独立验证证明了MAE为105克和R2为0.95.9的概括性.
• 将其分为低BW和正常BW类别,产生了97.55%的灵敏度和94.48%的特异性.

结论:

• 先进的深度学习模型可以显著改善早期出生体重预测.
• 开发的模型提供了一个强大的,可解释和个性化的工具,用于识别高风险怀孕.
• 这种方法有助于及时干预和优化新生儿结果.