《Expert Systems with Applications》:Auto-weighted graph structure learning of multi-dimensional biomarkers for indirect estimation of pediatric reference intervals
【字体:
大中小
】
时间:2026年01月26日来源:Expert Systems with Applications 7.5
基于深度学习的聚类范式(即深度聚类)(Han et al. (2019); Xie, Girshick, & Farhadi (2016)在处理由多个生物标志物组成的多维数据方面具有天然优势,这为我们改进间接方法的局限性提供了灵感。深度聚类(Peng, Feng, Zhou, Lei, & Yan (2020); Wang, Tan, Huang, Pan, & Tian (2020)由于其强大的非线性映射能力而引起了越来越多的兴趣。最近,提出了深度图聚类来利用样本的成对结构信息,相关工作包括Bo et al. (2020); Liu et al. (2022); Ochoa & Mustafa (2022); Tu et al. (2021)。然而,现有的深度图聚类方法在执行特征融合时仅关注多图级别或节点之间的特征(例如,调整不同图或视图之间的权重以增强跨视图一致性(Tang et al. (2023); Zhu et al. (2024))。如图2(b)所示,它们将所有生物标志物视为同等重要,用于预测参考区间,这忽略了在图构建过程中建模各个节点属性维度相关性的需求。实际上,各种生物标志物对目标分析物的影响差异很大。将它们同等对待可能会引入对目标分析物RI估计的偏差。为了解决这个问题,有必要过滤患者数据中的噪声信息,从而获得更精确和稳健的聚类结果。此外,现有的图聚类方法(Robert, Raguet, & Landrieu (2024); Xu et al. (2025)由于在无监督场景中缺乏标记信息,缺乏有效的评估指标来指导模型训练。这使得它们无法满足医学应用的严格要求,其中可靠性和可解释性至关重要。因此,设计特定于任务的内部指标来约束和保证模型输出的有效性是必要的。
为了验证所提出方法的有效性,我们在从医院实验室信息系统(LIS)数据库中选择的三个分析物上进行了实验比较。在本文中,我们选择ALT、AST和GGT(Martinez-Sanchez et al. (2022)作为实验对象。此外,我们将学习到的生物标志物之间的相关性与医学临床专业知识进行比较,以证明算法的可解释性。本工作的贡献可以总结如下: