FH-TabNet：基于多阶段表格深度学习的多类家族性高胆固醇血症检测
机器学习
2024-03-19 v1 计算机视觉与模式识别
图像与视频处理
摘要
家族性高胆固醇血症 (FH) 是一种遗传性疾病，其特征是低密度脂蛋白 (LDL) 胆固醇或其相关基因水平升高。早期且准确的 FH 分类具有重要意义，可便于及时采取干预措施以降低危及生命的疾病风险。然而，常规诊断方法复杂、昂贵，即使对经验丰富的临床医生而言也是一项具有挑战性的解读任务，从而导致漏诊率较高。尽管最近人们对使用机器学习 (ML) 模型进行早期 FH 检测的兴趣激增，但现有解决方案仅使用经典 ML 模型考虑二分类任务。尽管意义重大，但深度学习 (DL) 在 FH 检测中的应用仍处于起步阶段，这可能是由于潜在临床数据的分类性质所致。本文通过引入 FH-TabNet 来填补这一空白，这是一种用于多类（明确、极可能、可能和不太可能）FH 检测的多阶段表格深度学习网络。FH-TabNet 首先应用深度表格数据学习架构 (TabNet) 将其初步分类为健康（可能/不太可能）和患者（极可能/明确）类别。随后，对每个子组应用独立的 TabNet 分类器，以实现精细分类。通过 5 折交叉验证评估了该模型的性能，结果表明其在 FH 患者分类方面表现出卓越的性能，尤其是在具有挑战性的低患病率子类别中。
引用
@article{arxiv.2403.11032,
title = {FH-TabNet: Multi-Class Familial Hypercholesterolemia Detection via a Multi-Stage Tabular Deep Learning},
author = {Sadaf Khademi and Zohreh Hajiakhondi and Golnaz Vaseghi and Nizal Sarrafzadegan and Arash Mohammadi},
journal= {arXiv preprint arXiv:2403.11032},
year = {2024}
}