解锁生物医学洞见：面向高维数据解释的分层注意力网络
机器学习
2025-10-28 v1 人工智能
摘要
基因组学、医疗保健和金融等领域高维数据集的激增，催生了对既高度准确又内在可解释的机器学习模型的迫切需求。虽然传统的深度学习方法提供了强大的预测性能，但其缺乏透明度常常阻碍其在关键、决策敏感应用中的部署。在这项工作中，我们引入了基于分层注意力的可解释网络，一种新颖的架构，它统一了多层次注意力机制、降维和解释驱动的损失函数，以提供对复杂生物医学数据的可解释且稳健的分析。HAIN通过梯度加权注意力提供特征级可解释性，并通过基于原型的表示提供全局模型解释。在癌症基因组图谱数据集上的综合评估表明，HAIN达到了94.3%的分类准确率，在透明度和解释力方面均超越了传统的后验可解释性方法（如SHAP和LIME）。此外，HAIN有效地识别了生物学相关的癌症生物标志物，支持其在临床和研究应用中的实用性。通过协调预测准确性与可解释性，HAIN推动了面向精准医疗和法规合规的透明AI解决方案的发展。
引用
@article{arxiv.2510.21820,
title = {Unlocking Biomedical Insights: Hierarchical Attention Networks for High-Dimensional Data Interpretation},
author = {Rekha R Nair and Tina Babu and Alavikunhu Panthakkan and Hussain Al-Ahmad and Balamurugan Balusamy},
journal= {arXiv preprint arXiv:2510.21820},
year = {2025}
}