Vision-based Deep Learning Analysis of Unordered Biomedical Tabular Datasets via Optimal Spatial Cartography

表格数据是生物医学研究的核心，涵盖液体活检、bulk 和 single-cell transcriptomics、电子健康记录以及表型描述等。然而，与图像或序列数据不同，表格数据缺乏内在的空间组织：特征被视为无序维度，其关系必须由模型隐式推断。这限制了视觉架构利用非空间生物医学数据中局部结构和高阶特征相互作用的能力。本文引入 Dynamic Feature Mapping (Dynomap)，这是一种端到端的深度学习框架，能从数据中直接学习任务优化的特征空间拓扑。Dynomap 通过完全可微的渲染机制联合优化特征布局和预测，无需依赖启发式方法、预定义分组或外部先验。通过将高维表格向量转换为学习到的特征图，Dynomap 使视觉模型能够有效处理无序的生物医学输入。在多个临床和生物学数据集上，Dynomap 均优于经典机器学习、现代深度表格模型和现有的向量到图像方法。在液体活检数据中，Dynomap 将临床相关基因签名组织成连贯的空间模式，并将多类癌症亚型预测准确率提升了最高可达 18%。在帕金森病语音数据集中，它聚类疾病相关声学描述符，准确率提升最高可达 8%。在其他生物医学数据集中也观察到类似的提升和可解释的特征组织效果。这些结果表明，Dynomap 作为连接表格和视觉深度学习的通用策略，能够在高维生物医学数据中发现结构化、临床相关的模式。