利用多模态数据与表格 Transformer 早期预测 2 型糖尿病

本研究引入了一种使用表格 Transformer (TabTrans) 架构分析纵向患者数据的新方法，用于早期 2 型糖尿病 (T2DM) 风险预测。通过处理患者的纵向健康记录和骨骼相关的表格数据，我们的模型捕获了疾病进展中传统方法常忽略的复杂、长距离依赖关系。我们在包含 1,382 名受试者的卡塔尔生物银行 (QBB) 回顾性队列上验证了 TabTrans 模型，其中包括 725 名男性（146 名糖尿病，579 名健康）和 657 名女性（133 名糖尿病，524 名健康）。该研究将电子健康记录 (EHR) 与双能 X 射线吸收测定法 (DXA) 数据相结合。为了解决类别不平衡问题，我们采用了 SMOTE 和 SMOTE-ENN 重采样技术。所提出模型的性能与传统的机器学习 (ML) 和生成式 AI 模型进行了比较评估，包括 Claude 3.5 Sonnet (Anthropic 的宪法 AI)、GPT-4 (OpenAI 的生成式预训练 Transformer) 和 Gemini Pro (Google 的多模态语言模型)。我们的 TabTrans 模型展现出卓越的预测性能，与生成式 AI 模型和传统 ML 方法相比，在 T2DM 预测中实现了 ROC AUC $\geq$ 79.7 %。特征解释分析识别了关键风险指标，其中内脏脂肪组织 (VAT) 质量和体积、Ward 三角区骨密度 (BMD) 和骨矿物质含量 (BMC)、T 值和 Z 值以及 L1-L4 评分被证明是与卡塔尔成年人糖尿病发展相关的最重要预测因子。这些发现证明了 TabTrans 在分析复杂表格医疗数据方面的巨大潜力，为卡塔尔人群的主动 T2DM 管理和个性化临床干预提供了强大的工具。