基于模糊最小-最大对偶基和多态性Dandelion图结构的多尺度残差注意力网络在医疗人工智能误分类减少中的应用

《Scientific Reports》：Fuzzy min–max dual motif-guided heterogeneous Dandelion graph multi-scale residual attention network for healthcare AI misclassification reduction

　　

摘要

人工智能（AI）在医疗诊断领域的快速发展显著提高了疾病检测和治疗效果预测的准确性；然而，由于数据异质性、临床信息不完整以及特征之间的复杂关联，错误分类仍然是一个持续存在的挑战。为了解决这些问题，提出了一种名为“双主题引导的异构交互式蒲公英图多尺度残差注意力网络（DMGH-IDGM-SRAN）”的新框架，旨在减少错误分类并提升医疗AI模型的性能。该研究使用了一个由技术和医学专家共同开发的精选数据集——“用于减少错误分类和提升医疗AI模型性能的医疗AI数据集”，该数据集包含来自印度一家领先医院呼吸科的743份临床记录。预处理过程中采用了模糊最小-最大神经网络（FMNN）来有效处理不确定性及重叠的类别边界。随后，利用自适应因果决策变换器（AdaCred）进行特征提取，以捕捉异构临床属性之间的因果关系和时间关联。所提出的DMGH-IDGM-SRAN结合了双注意力引导的交互式多尺度残差网络（DA-IMRN）和基于主题的异构图注意力网络（MBHAN），并通过蒲公英优化器（DO）对超参数进行微调，从而增强模型的收敛性和稳定性。实验评估表明，该模型的分类准确率达到了惊人的99.9%，远超现有方法。该框架具有两个主要优势：（i）它能够有效捕捉临床参数和生化参数之间的复杂交叉特征关系；（ii）在数据噪声较大或不完整的情况下，仍能提供可靠且可解释的诊断结果。