用于膀胱癌复发预测的注意力机制可解释人工智能

非肌层浸润性膀胱癌（NMIBC）是肿瘤学中一个严峻的挑战，其复发率高达 70-80%。每次复发都会引发一连串的侵入性操作、终身监测和不断攀升的医疗费用——全球有 46 万人受此影响。然而，现有的临床预测工具存在根本性缺陷，常常高估复发风险，且无法为患者管理提供个性化见解。在这项工作中，我们提出了一种可解释的深度学习框架，该框架整合了向量嵌入和注意力机制，以提高 NMIBC 复发预测的性能。我们将向量嵌入用于吸烟状态和膀胱内治疗等类别变量，使模型能够捕捉患者属性与复发风险之间的复杂关系。这些嵌入提供了更丰富的数据表示，能够改善特征交互并提升预测性能。我们的方法不仅提高了性能，还通过突出显示对每位患者复发风险贡献最大的特征，为临床医生提供了患者特异性的见解。我们的模型在表格数据上达到了 70% 的准确率，优于传统的统计方法，同时通过特征注意力提供了对临床医生友好的患者层面解释。与以往研究不同，我们的方法识别了影响复发的新重要因素，如手术持续时间和住院时间，这些因素在现有的 NMIBC 预测模型中未曾被考虑。