基于互信息排序临床生物标志物与可解释注意力残差多层感知器的卵巢癌检测方法研究

本刊推荐：本研究针对卵巢癌早期诊断挑战，创新性提出融合注意力机制（SE）与残差连接的可解释深度学习模型EA-ResMLP。通过互信息筛选关键生物标志物（如CA125、HE4等），模型在保持高准确率（92.05%）的同时，利用局部可解释模型（LIME）生成特征贡献图，为临床决策提供透明化人工智能（XAI）支持，显著提升诊断可靠性。

　　

研究亮点

• 探究CA125、CA72-4、HE4等多种生物标志物对卵巢癌预测的影响

• 提出模型融合残差连接与挤压激励模块（Squeeze-Excitation），通过自适应重校准实现深层特征学习与关键特征强化

• 采用常规分类指标定量分析EA-ResMLP模型效能，并通过受试者工作特征曲线（ROC）与精确率-召回率曲线（PRC）进行定性评估

• 结合可解释人工智能工具（如LIME）实现模型预测结果的可视化解读与机制阐释

结论

本文提出的SE注意力残差多层感知器（EA-ResMLP）为卵巢癌检测提供新方法。通过整合残差连接与注意力模块，有效捕捉特征间复杂非线性关系，提升分类性能。基于公开卵巢癌数据集验证表明，EA-ResMLP相较现有机器学习方法与主流模型实现显著性能提升。