GATET：基于图注意力增强TabNet的多病共存风险预测模型——异质表格与依赖图信息特征融合研究

《Computer Methods and Programs in Biomedicine》：GAT—Enhanced TabNet model with heterogeneous tabular and dependency graph information feature fusion for multi-disease coexistence risk prediction

本文提出GATET创新架构，通过依赖特征提取（DFE）、注意力图构建聚合（CGsA）和特征权重计算（FWT）三大模块，将图注意力网络（GAT）与TabNet深度融合，有效解决电子健康记录（EHR）中非欧几里得特征依赖和样本间复杂关系建模难题。实验证明该模型在多病共存危重风险预测中准确率提升约10%，为临床决策提供新范式。

　　

^亮点

^方法

本节详细阐述GATET模型的整体架构及其三大核心子模块：依赖特征提取块（DFE）、注意力图构建聚合模块（CGsA）和基于TabNet的特征权重块（FWT）。模型通过DFE模块捕捉特征间非线性依赖关系并构建全连接图，CGsA模块采用双通道图注意力机制聚合节点特征，FWT模块则在保留TabNet可解释性基础上优化特征权重计算，实现异质信息的有效融合。

^{数据与预处理}

本研究数据源自2022年度成都市第三人民医院全科医学科患者的电子健康记录（EHR）。针对原始数据缺失值较多的问题，我们通过剔除高缺失率特征和修正数据不一致项进行清洗。最终从初始特征集中筛选出关键指标，包括患者基本资料、实验室检查结果和并发症信息，构建了适用于多病共存风险预测的高质量数据集。

^结果

模型评估采用80%-20%训练测试分割策略，批量大小为64，图注意力网络（8头注意力机制）学习率设为0.005，TabNet组件学习率为0.02。多维度验证表明：GATET在基线模型对比中表现出约10%的准确率提升；跨域泛化实验证实其强大的迁移学习能力；组件消融研究验证了各模块的贡献度；参数敏感性分析揭示年龄分层对模型性能的关键影响。

^讨论

GATET框架通过将先验医学知识融入图神经网络模块，成功解决了表格数据中非欧几里得特征建模的挑战。值得注意的是，基于年龄的亚群划分策略显著增强了模型对多病共存患者危重风险的预测效能，这为复杂临床场景的智能决策提供了创新解决方案。

^结论

GATET模型通过图表示学习与TabNet的有机融合，在多病共存危重风险预测领域取得显著进展。其卓越的预测性能、方法创新性和临床适用性，为结构化医疗数据分析提供了新范式，有望推动精准医疗决策支持系统的发展。