基于多模态特征融合与可解释 AI 的前列腺癌分类
机器学习
2025-07-29 v1 人工智能
定量方法
应用统计
摘要
前列腺癌是继肺癌之后发病率最高的男性恶性肿瘤，需先进的诊断工具。我们提出了一个结合 BERT（用于文本临床记录）和随机森林（用于数值实验数据）的可解释 AI 系统，通过一种新颖的多模态融合策略实现卓越的分类性能，在PLCO-NIH数据集上达到98%的准确率和99%的AUC。虽然多模态融合已是常规做法，但我们的工作表明，一个简单且可解释的BERT+RF管道可实现临床意义的改进——特别是对于Intermediate恶性肿瘤阶段（Class 2/3召回率：0.900组合值 vs 0.824数值/0.725文本）。SHAP分析提供透明的特征重要性排名，而消融研究证明了文本特征的互补价值。这种可及的方法为医院提供了在高性能（F1=89%）、计算效率和临床可解释性之间取得平衡的选择——满足前列腺癌诊断中的关键需求。
引用
@article{arxiv.2507.20714,
title = {Prostate Cancer Classification Using Multimodal Feature Fusion and Explainable AI},
author = {Asma Sadia Khan and Fariba Tasnia Khan and Tanjim Mahmud and Salman Karim Khan and Rishita Chakma and Nahed Sharmen and Mohammad Shahadat Hossain and Karl Andersson},
journal= {arXiv preprint arXiv:2507.20714},
year = {2025}
}