不再黑箱:基于时序-特征交叉注意力机制的临床预测建模解读
机器学习
2025-09-22 v3 人工智能
摘要
尽管深度学习模型在临床预测任务中表现出色,但其可解释性仍然是一项重大挑战。受 Transformer 架构启发,我们提出了时序-特征交叉注意力机制(Temporal-Feature Cross Attention Mechanism, TFCAM),这是一种新颖的深度学习框架,旨在捕捉临床特征随时间动态的交互,从而同时提升预测精度与可解释性。在针对 1,422 名慢性肾病(CKD)患者预测其向终末期肾病(ESRD)进展的实验中,TFCAM 优于 LSTM 与 RETAIN 基线模型,取得了 0.95 的 AUROC 与 0.69 的 F1 值。除性能提升外,TFCAM 还通过识别关键时间窗口、排序特征重要性,以及量化特征在影响预测之前随时间彼此作用的方式,提供多层次的可解释性。我们的方法缓解了深度学习在医疗领域的"黑箱"局限,在保持前沿预测性能的同时,为临床医生提供关于疾病进展机制的透明洞见。
引用
@article{arxiv.2503.19285,
title = {No Black Box Anymore: Demystifying Clinical Predictive Modeling with Temporal-Feature Cross Attention Mechanism},
author = {Yubo Li and Xinyu Yao and Rema Padman},
journal= {arXiv preprint arXiv:2503.19285},
year = {2025}
}
备注
10 pages, 3 figures, submitted to AMIA 2025