基于可分离自注意力与空间移位MLP的静脉血栓栓塞风险预测模型SSA-sMLP：实现高阶非线性特征交互的高效精准评估

针对传统静脉血栓栓塞(VTE)风险评估模型难以捕捉多维临床特征间高阶非线性交互的瓶颈，重庆科研团队创新性提出SSA-sMLP深度学习架构。该模型通过可分离自注意力模块(Separable Self-attention)动态建模跨维度特征交互，结合改进型空间移位多层感知器(S2 -MLPv2)捕捉局部非线性关联，在11.3万例临床数据验证中准确率达87.99%，较现有最佳模型提升33.95%，为临床决策提供高效精准的智能辅助工具。

　　

在临床实践中，静脉血栓栓塞(VTE)犹如潜伏的"隐形杀手"，其发病隐匿但致死率高，准确评估风险等级直接关乎患者预后。尽管Caprini风险评估模型(2010版)被ACCP-9指南推荐为金标准，这种依赖专家经验的线性评分系统却像"老花镜"般难以看清多维临床特征间复杂的非线性关联。传统机器学习模型如支持向量机(SVM)和梯度提升机(GBM)虽尝试突破，却受限于"浅层架构"的桎梏——要么像SVM般对样本失衡敏感，要么如GBM陷入"计算黑洞"。更令人遗憾的是，新兴的深度学习方法如DCN-V2和T2G-FORMER在医疗场景遭遇"水土不服"：要么因低秩分解假设丢失局部特征细节，要么因图结构构建依赖先验知识而"作茧自缚"。

重庆研究团队在《Thrombosis Research》发表的这项研究，如同为VTE风险评估装上了"智能显微镜"。团队基于11.3万例真实世界临床数据构建VTE_Data数据集，创新提出SSA-sMLP混合架构。该模型巧妙融合两种"特征解码器"：可分离自注意力模块像"全局扫描仪"，通过动态上下文向量和线性解耦策略捕捉跨维度交互；改进的S²
-MLPv2则如同"局部显微镜"，利用无参数移位操作重组特征子空间，结合分割注意力(Split Attention)实现自适应权重分配。这种"双引擎驱动"使模型在保持计算效率的同时，精准捕获了传统方法难以企及的高阶非线性关联。

关键技术方法包括：1) 从医院信息系统提取113,836例患者多维临床特征构建VTE_Data数据集；2) 可分离自注意力模块采用动态上下文向量生成和线性解耦策略；3) S²
-MLPv2架构整合参数自由移位操作与分割注意力机制；4) 基于Caprini RAM(2010)框架进行模型验证。

【Material】
研究团队从医院电子病历系统筛选出涵盖人口统计学特征、Caprini评分等多维度的113,836例临床记录。通过敏感信息脱敏、缺失值多重插补等预处理，构建出临床特征完整度达85.3%的VTE_Data数据集，为模型训练提供高质量数据基础。

【Results】
在Caprini评分体系验证中，SSA-sMLP展现出"全面超越"的性能：准确率(ACC)达87.99%，较现有最佳模型提升33.95%；F1-score(65.9%)证实其卓越的稳健性。特别值得注意的是，模型参数量控制在主流模型量级，实现"鱼与熊掌兼得"——既突破传统评分系统59.04%的准确率天花板，又避免陷入NODE等模型参数爆炸的困境。

【Discussion】
这项研究开创性地将可分离自注意力与S²
-MLPv2架构模块化整合，解决了医疗场景中计算效率与模型精度的"二元悖论"。SSA-sMLP的突破性体现在三方面：1) 动态上下文向量使特征交互建模效率提升4.7倍；2) 移位操作引导的局部关联捕获使稀疏临床特征的利用率提升62%；3) 双路径协同架构使模型在保持87.99%准确率时，推理速度较Transformer提升8.3倍。这种"临床友好型"设计，使得该模型有望替代Caprini评分成为新一代VTE风险评估标准。

研究结论标志着医疗AI领域的重要突破——首次实现高阶非线性特征交互的高效建模，为血栓预防的精准医疗提供新范式。正如作者团队强调，该模型在保持临床可解释性的同时，其33.95%的性能跃升将直接转化为临床决策质量的提升。未来，这种"全局-局部"双路协同架构或可拓展至其他医疗风险预测场景，推动医疗人工智能从"可用"向"好用"的质变。