M-TabNet：一种用于预测多模态数据的新生儿出生体重的多编码器变换模型
机器学习
2025-04-23 v1
摘要
出生体重（BW）是新生儿健康的关键指标，低出生体重（LBW）与增加死亡率和并发症有关。早期预测出生体重有助于及时干预；然而，当前诊断方法如超声检查在20周前准确性有限，且受操作员水平影响较大。现有模型常忽视营养和基因因素，主要关注生理和生活方式因素。本研究提出了一种基于注意力机制的变换模型，采用多编码器架构进行早期（妊娠早于12周）出生体重预测。该模型有效整合了包括生理、生活、营养和基因等多种母亲数据，解决了TabNet等先前注意力模型的局限性。该模型实现了均值为122克、R平方值为0.94的均方绝对误差，显示出高预测准确性，并与本院私有数据集兼容性良好。独立验证确认了其普遍性（MAE：105克，R平方：0.95），使用IEEE儿童数据集。为增强临床实用性，对预测出生体重进行低和正常分类，实现灵敏度为97.55%，特异度为94.48%，有助于早期风险分层。通过特征重要性和SHAP分析强化了模型可解释性，突出显示了母亲年龄、吸烟暴露和维生素B12状态的显著影响，基因因素发挥次要作用。我们的结果强调了先进深度学习模型在改进早期出生体重预测方面的潜力，为医生提供了一个稳健、可解释且个性化的工具，用于识别高风险妊娠并优化新生儿结局。
引用
@article{arxiv.2504.15312,
title = {M-TabNet: A Multi-Encoder Transformer Model for Predicting Neonatal Birth Weight from Multimodal Data},
author = {Muhammad Mursil and Hatem A. Rashwan and Luis Santos-Calderon and Pere Cavalle-Busquets and Michelle M. Murphy and Domenec Puig},
journal= {arXiv preprint arXiv:2504.15312},
year = {2025}
}