基于注意力机制的深度学习用于表格生物医学数据的早期帕金森病检测
机器学习
2026-02-10 v1
摘要
由于早期症状的细微性以及生物医学数据中固有的复杂非线性关系，早期准确检测帕金森病（PD）仍然是医学诊断中的一个关键挑战。传统的机器学习（ML）模型虽然被广泛应用于 PD 检测，但通常依赖于大量的特征工程，并且难以捕捉复杂的特征交互。本研究调查了基于注意力机制的深度学习模型在使用表格生物医学数据进行早期 PD 检测时的有效性。我们使用来自 UCI 机器学习库的基准数据集（包含 PD 患者和健康对照者的生物医学语音测量数据），对四种分类模型（多层感知器（MLP）、梯度提升、TabNet 和 SAINT）进行了比较评估。实验结果表明，SAINT 在多个评估指标上始终优于所有基线模型，实现了 0.98 的加权精确率、0.97 的加权召回率、0.97 的加权 F1 分数、0.9990 的马修斯相关系数（MCC）以及最高的 ROC 曲线下面积（AUC-ROC）。TabNet 和 MLP 表现出有竞争力的性能，而梯度提升则获得了最低的整体分数。SAINT 的优越性能归因于其双重注意力机制，该机制有效地建模了样本内和样本间的特征交互。这些发现证明了基于注意力机制的深度学习架构在早期帕金森病检测中的诊断潜力，并强调了动态特征表示在临床预测任务中的重要性。
引用
@article{arxiv.2602.07933,
title = {Attention-Based Deep Learning for Early Parkinson's Disease Detection with Tabular Biomedical Data},
author = {Olamide Samuel Oseni and Ibraheem Omotolani Obanla and Toheeb Aduramomi Jimoh},
journal= {arXiv preprint arXiv:2602.07933},
year = {2026}
}