《Franklin Open》：Tab2Conv: a convolutional feature extraction framework for interpretable classification of medical tabular data
编辑推荐：
专业翻译摘要：深度学习在图像和文本等非结构化领域已取得强大性能，但在结构化表格数据上通常表现不佳，尤其在医学信息学中，数据集往往规模较小且异质。为弥补这一差距，研究人员提出了Tab2Conv，一种卷积特征提取框架，将临床属性重构为紧凑的语义分组二维矩阵，并采用
专业翻译摘要：深度学习在图像和文本等非结构化领域已取得强大性能，但在结构化表格数据上通常表现不佳，尤其在医学信息学中，数据集往往规模较小且异质。为弥补这一差距，研究人员提出了Tab2Conv，一种卷积特征提取框架，将临床属性重构为紧凑的语义分组二维矩阵，并采用轻量级卷积神经网络（Convolutional Neural Network, CNN）学习层次化特征交互。所提取的嵌入随后用于训练传统机器学习分类器，从而形成一种融合卷积表示学习与既有表格模型的混合方法。研究人员在克利夫兰心脏病数据集（Cleveland Heart Disease dataset）上对Tab2Conv进行了评估，涵盖二元诊断与多类严重程度预测两种设定。为减少乐观偏差，所有实验均采用嵌套分层交叉验证（nested stratified cross-validation），结果以各外折的均值±标准差报告。在二元任务中，Tab2Conv特征一致地提升了各分类器的性能，其中决策树（Decision Tree, DT）与朴素贝叶斯（Na?ve Bayes, NB）模型的准确率增益尤为突出。在多类设定中，性能提升保持一致但相对温和，支持向量机（Support Vector Machine, SVM）使用Tab2Conv特征达到最高准确率0.6039 ± 0.0331。统计检验证实，在该数据集内所观察到的改进具有显著性（p < 0.05）。总体而言，研究结果表明，语义结构化的二维表示可增强小型医学表格数据集中的类可分性。虽然仍需外部验证以确立更广泛的泛化能力，但Tab2Conv为医疗应用中的结构化特征提取提供了一种颇具前景且计算高效的框架。
论文解读文章：
医学数据的早期准确分类对于改善患者结局、指导治疗策略及降低医疗成本至关重要。深度学习在图像和文本等非结构化数据领域表现出色，但在结构化表格数据上却常难以达到同等水平，尤其在医学信息学中，数据集通常规模小且高度异质。传统卷积神经网络（Convolutional Neural Network, CNN）将输入特征视为相互独立，缺乏在图像或文本领域成功所依赖的局部性与层次性归纳偏置，且在小数据集上易过拟合。已有的深度表格建模方法，如TabNet、FT-Transformer，虽能改善特征交互建模，但需要大样本与重计算；图像化转换方法如DeepInsight、T2T-ViT则可能扭曲临床特征语义，损害可解释性与临床信任。因此，亟需一种兼具计算效率与临床可解释性的框架，弥合卷积架构与医学表格数据之间的鸿沟。
针对上述问题，研究人员提出了Tab2Conv，一种卷积特征提取框架，其将临床属性按语义相关性进行分组，重构为紧凑的二维矩阵，并利用轻量级CNN学习层次化特征交互。提取的嵌入向量随后用于训练传统机器学习分类器，从而形成混合建模策略。研究以心血管疾病（cardiovascular disease, CVD）预测为代表性案例，该病是全球首位死因，每年约导致1790万人死亡。研究人员选用UCI机器学习库中的Cleveland心脏病数据集进行验证，该数据集包含303条患者记录、13个临床属性及1个目标变量，支持二元患病状态与多元严重程度（0–4级）两种分类任务，并兼顾了类别与数值特征的混合，适合评估表格数据到矩阵形式的转换能力。
在方法层面，研究人员对数据进行了系统的预处理：数值属性缺失值以均值填补，分类属性以众数填补；分类特征经独热编码转为数值；所有特征经Min-Max归一化缩放至[0,1]区间；数据按分层抽样划分为训练集（70%）与测试集（30%）。Tab2Conv的核心转换是将原始特征按照临床语义划分为3个组，每组4个属性，构成3×4的固定尺寸二维矩阵，并作为单通道图像输入。该矩阵保留了特征语义分组，如第一行对应年龄、性别、静息血压、血清胆固醇等基线风险因素，第二行对应胸痛类型、空腹血糖、最大心率、运动诱发心绞痛，第三行对应ST段压低、运动ST段斜率、主要血管数量与地中海贫血类型。CNN由5个卷积块组成，每块采用4×4卷积核，滤波器深度从16递增至416，每层后接批量归一化与SELU激活（最后一层卷积块改用ReLU），经最大池化后展平，并通过三层全连接网络（640→320→256→104）获得104维特征向量。该向量作为输入馈送给朴素贝叶斯、支持向量机、决策树、随机森林、逻辑回归等传统分类器。为避免乐观偏差，所有实验均采用嵌套分层5折交叉验证，并报告外折均值±标准差。评估指标包括准确率、精确率、召回率、F1分数、特异性及几何均值（G-Mean），并采用独立t检验、配对t检验与Mann-Whitney U检验进行统计显著性验证。
在结果部分，研究人员首先进行了相关性分析。二元数据集的相关系数热图显示，大多数临床属性间呈弱至中等相关，但存在临床相关模式，如胸痛类型与运动斜率（r = 0.40）、ST段压低与斜率（r = –0.56），提示预测信息隐藏于复杂的非线性交互中。多元数据集的相关性分析进一步显示严重程度相关特征间存在更强依赖，如ST段压低与斜率（r = 0.57）、运动诱发心绞痛与地中海贫血类型（r = 0.36）。接下来，研究人员通过Tab2Conv矩阵转换将每个病历转化为3×4的图像式结构，并进行了数组图像可视化，验证了转换的可行性与临床可读性。在特征转换方面，CNN输出的104维向量相比原始13维属性提供了更丰富、更具判别力的表示。
在二元分类性能评估中，使用Tab2Conv特征的所有分类器均一致地优于原始表格特征。决策树准确率从0.7229 ± 0.0287提升至0.8341 ± 0.0172，朴素贝叶斯从0.6761 ± 0.0325提升至0.8254 ± 0.0227；逻辑回归从0.8459 ± 0.0168提升至0.8605 ± 0.0127，支持向量机从0.8400 ± 0.0111提升至0.8693 ± 0.0232；随机森林在Tab2Conv特征上达到1.0000 ± 0.0000。统计检验表明，独立t检验（t = 8.4224, p = 0.0001）、配对t检验（t = 6.7322, p = 0.0025）及Mann-Whitney U检验（U = 25.0000, p = 0.0079）均拒绝原假设，证实了性能提升的显著性。
在多元分类性能评估中，SVM使用Tab2Conv特征获得最高准确率0.6039 ± 0.0331，较原始特征（0.4883 ± 0.0469）明显提升；逻辑回归准确率由0.5116 ± 0.0351增至0.5940 ± 0.0329；朴素贝叶斯由0.4290 ± 0.0419增至0.5284 ± 0.0770；决策树由0.5278 ± 0.0636增至0.5613 ± 0.0514；随机森林由0.5116 ± 0.0236增至0.5645 ± 0.0564。独立t检验（t = 5.2703, p = 0.0008）、配对t检验（t = 7.3683, p = 0.0018）与Mann-Whitney U检验（U = 25.0000, p = 0.0079）均支持改进具有统计显著性。
与先前方法的概念性比较表明，Tab2Conv采用基于临床意义的语义分组二维布局，配合轻量级卷积处理及传统分类器组合，区别于注意力重负荷或相似度空间布局方法，在小规模医学数据上具有更高的可解释性与适应性。讨论部分指出，研究仍存在若干局限：仅使用单一数据集；样本量有限；未与梯度提升、Transformer表格模型等先进基线进行实证对比；语义分组的独立贡献未经系统量化；紧凑3×4网格带来padding约束；学习到的卷积特征的可解释性缺乏临床验证；未进行外部验证。这些限制提示当前结论应视为初步证据。研究结论表明，Tab2Conv通过语义分组的二维表示，使传统机器学习分类器能够利用比原始表格空间更丰富的特征交互，从而在Cleveland数据集上实现一致的性能提升，尤其有利于二元任务中的决策树和朴素贝叶斯以及多元任务中的支持向量机。改进不仅体现于总体准确率，还体现于特异性与G-Mean等平衡指标，统计检验确认了其显著性。未来工作将集中于外部验证、语义分组策略的系统分析、padding敏感性评估及可解释性技术的集成，以推动实际医疗场景中的可靠应用。
