基于自编码器整合多部位微生物组与临床参数提升死亡率预测效能

本研究创新性地利用自编码器（Autoencoder）整合多部位（口腔、肺部、肠道）微生物组数据与临床参数，成功构建高精度死亡率预测模型。该方法通过提取低维潜在空间特征，显著提升预测性能（肺微生物组达98%准确率），揭示了不同解剖部位微生物组的特异性预测价值，为精准医疗提供新范式。

　　

¹自编码器的重建性能

自编码器在不同微生物组部位展现出强大的重建能力，通过均方误差（MSE）评估显示其能有效捕获微生物模式并降低数据维度。重建性能随数据集组成变化呈现显著差异，尤其在口腔、肺部和肠道微生物组中表现各异。

当采用完整微生物分类群与临床数据联合训练时，自编码器在所有部位均取得较低重建误差，表明整合数据有助于保留关键微生物特征。肺微生物组数据重建误差最低（MSE = 0.15），突显其数据结构的相对一致性。相比之下，肠道微生物组重建误差较高（MSE = 0.32），反映其更高的生态复杂性。

单独使用微生物分类群数据时，重建性能略有下降，但仍在可接受范围内（口腔MSE = 0.18，肺部MSE = 0.20，肠道MSE = 0.35）。这一发现验证了自编码器在纯微生物数据上的特征提取能力，尽管其表现略逊于整合模型。

²结论

本研究探索了基于自编码器的深度学习模型在利用口腔、肺部和肠道微生物组数据进行死亡率风险评估方面的预测潜力。结果表明，将微生物分类群与临床数据整合可显著提高预测准确性，其中肺微生物组在所有模型中持续表现最佳。自编码器通过提取潜在微生物模式，在不同死亡风险组别中实现了稳健的分类性能。