基于Kolmogorov - Arnold网络的定量计算机断层扫描成像对水泥尘暴露患者的分类研究

本研究为解决传统机器学习方法处理定量计算机断层扫描（QCT）成像数据高维度难题，研究人员开展利用Kolmogorov - Arnold网络（KANs）对水泥尘暴露患者QCT成像数据进行二分类的研究。结果显示，KAN模型性能优异，平均准确率达98.03%。该研究对早期检测水泥尘所致呼吸系统疾病意义重大，为职业健康评估提供新方法。

　　

在职业健康领域，水泥制造等行业工人长期暴露于水泥尘中，会引发如慢性阻塞性肺疾病（COPD）等多种呼吸系统疾病，严重影响工人生活质量与生产力^[1,2]。早期准确检测这些因水泥尘暴露导致的呼吸系统疾病至关重要，然而传统的机器学习方法在处理定量计算机断层扫描（QCT）成像数据时面临高维度、复杂性等难题，难以实现高效准确的分类诊断^{[6 - 10]}。为解决这些问题，韩国的研究人员开展了相关研究。

研究人员利用Kolmogorov - Arnold网络（KANs）对来自609名个体的QCT成像数据进行二分类分析，这些个体包括311名水泥尘暴露者和298名健康对照者。他们从数据中提取了141个基于QCT的变量，并构建了一个具有两个隐藏层（分别有15和8个神经元）的KAN模型，同时仔细调整了网格间隔、多项式阶数、学习率和惩罚强度等网络参数。通过五折交叉验证评估模型性能，并采用SHAP分析解释关键的QCT特征。

研究结果

• KAN模型性能：KAN模型在各项指标上均表现出色，平均准确率为98.03%，精确率为97.35%，召回率为98.70%，F1分数为98.01%，特异性为97.40%。Matthews相关系数（MCC）进一步证实了该模型在处理不平衡数据集时的稳健性。与传统方法及其他深度学习方法（如TabPFN、ANN、FT - Transformer、VGG19、MobileNets、ResNet101、XGBoost、SVM、随机森林和决策树等）相比，KAN模型表现更优^{[6 - 10]}。
• 关键QCT特征：SHAP分析突出了结构性和功能性肺特征，如气道几何形状、壁厚和肺容量等是关键的预测因素^{[6 - 10]}。

研究结论与讨论

KANs显著提高了QCT成像数据的分类能力，有助于早期发现水泥尘引起的呼吸系统疾病。SHAP分析增强了模型的可解释性，使其在临床转化用于职业健康评估方面具有更大潜力。该研究结果表明，KAN模型在处理QCT数据方面具有独特优势，不仅准确率高，而且能够提供可解释的结果，为职业健康监测策略和早期疾病检测方案的制定提供了有价值的参考。未来可将该方法进一步应用于实际临床场景，以改善水泥尘暴露工人的健康状况。同时，也可探索KAN模型在其他职业病诊断中的应用可能性，推动人工智能技术在医学影像分析领域的深入发展。该研究成果发表在《Artificial Intelligence in Medicine》上，为相关领域的研究提供了重要的理论和实践支持。