《Technologies》:An Explainable Hybrid TabNet–Residual MLP Framework for Robust Fetal Health Prediction Using Focal Loss and Leakage-Aware Cross-Validation
编辑推荐:
有效的胎儿健康预测对于早期诊断胎儿窘迫和避免负面围产期影响至关重要。心宫缩描记术(CTG)测量胎儿心率和子宫收缩,是一种流行的产前检查方法;然而,传统解释是主观且不可靠的。由于CTG数据集稀缺且不平衡,以及模型评估期间的数据泄漏,胎儿健康预测仍面临挑战,这可能
有效的胎儿健康预测对于早期诊断胎儿窘迫和避免负面围产期影响至关重要。心宫缩描记术(CTG)测量胎儿心率和子宫收缩,是一种流行的产前检查方法;然而,传统解释是主观且不可靠的。由于CTG数据集稀缺且不平衡,以及模型评估期间的数据泄漏,胎儿健康预测仍面临挑战,这可能导致泛化能力差和性能估计不准确。此外,缺乏可解释性人工智能降低了模型清晰度并限制了临床应用。本研究提出一种混合深度学习模型,该模型使用TabNet、残差多层感知机(Residual MLP)和焦点损失(Focal Loss)来分类正常、可疑和病理性胎儿状态。TabNet允许从CTG数据进行注意力特征学习,Residual MLP提高了预测鲁棒性,Focal Loss有助于少数异常病例的诊断。为了实现可靠的评估,研究人员使用数据分割创建了一个管道,通过在模型训练和评估之前进行数据分区来消除传统的训练-测试数据泄漏。SHAP和LIME通过提供清晰的全局和局部解释增强了可解释性。该模型在增强数据集上获得了99.30%的准确率、99.10%的平衡准确率和98.65%的病理性召回率。对比评估表明,修复数据泄漏将膨胀的基线准确率从96.80%降至93.14%,强调了稳健实验设计的必要性。结果表明,所提出的框架优于最先进的胎儿健康预测方法,为基于CTG的胎儿健康评估提供了稳健、可理解和临床可靠的替代方案。
胎儿健康监测是产前和产时治疗的核心环节,早期发现胎儿异常可显著降低新生儿发病率和死亡率。心宫缩描记术(CTG)通过测量胎儿心率(FHR)和子宫收缩(UC)提供生理数据,但传统解释主观性强、变异大,易导致误诊或漏诊。现有研究面临诸多挑战:CTG数据集规模小且类别分布不均(正常约77%,可疑约14%,病理约9%),导致模型偏向多数类;许多研究在数据分割前进行增强或预处理,造成训练-测试数据泄漏,使性能评估虚高;深度学习模型缺乏可解释性,限制临床信任。为此,研究人员提出一种混合TabNet-残差多层感知机(Residual MLP)框架,结合焦点损失(Focal Loss)和泄漏感知交叉验证,旨在实现稳健、可解释的胎儿健康预测。该研究利用公开UCI CTG数据集(2126样本,21个临床特征),通过大语言模型(LLM)辅助的规则基合成数据生成方法,基于FIGO 2015指南和文献分布,创建了50,000个医学一致的合成样本,保持原始类分布。模型训练采用分层5折交叉验证,在分割后仅对训练集进行增强以消除泄漏。混合架构中,TabNet通过顺序注意力机制动态选择关键特征,输出类别概率;Residual MLP通过3层全连接及残差连接优化概率分布;Focal Loss通过动态调整难分样本权重,提升对少数病理类别的敏感性。可解释性方面,SHAP(Shapley加性解释)提供全局特征重要性,LIME(局部可解释模型无关解释)提供实例级解释。实验结果显示,该框架在增强数据集上达到99.30%准确率、99.10%平衡准确率和98.65%病理召回率,显著优于基线。论文发表在《Technologies》。
**关键方法**:1. **LLM辅助规则基合成数据生成**:借助Claude (Anthropic) 根据FIGO 2015指南和公开文献,生成50,000个样本,严格保持原始类分布(77%正常、14%可疑、9%病理)及特征相关性,并进行高斯噪声(1-2%)增强真实性。2. **泄漏感知交叉验证**:采用分层5折交叉验证,在数据分割前不进行任何增强或预处理,确保训练和验证集完全隔离,避免数据泄漏。3. **混合TabNet-Residual MLP架构**:TabNet通过注意力机制提取特征并输出概率分布;Residual MLP包含3个全连接层(64维),通过残差连接稳定梯度,优化分类。4. **Focal Loss优化**:使用焦点损失函数,通过聚焦参数γ和类权重α,降低易分类样本损失,突出难分和少数类样本。5. **可解释性技术**:SHAP计算全局Shapley值,识别关键CTG特征;LIME在局部近似模型行为,解释单个预测。样本队列来源:原始数据来自UCI CTG数据集(2126例),合成数据基于该数据集和临床指南生成。
**研究结果**:
**4.1 提出混合模型性能结果**:通过分层5折交叉验证评估混合TabNet-Residual MLP模型,在增强数据集上获得99.30%准确率、99.10%平衡准确率、99.10%召回率、98.39%精确率、98.65%病理召回率及98.73% F1分数。结果表明模型在类别不平衡下保持高预测能力,尤其对高风险病理病例具有高灵敏度,证实了TabNet、Residual MLP与Focal Loss组合的有效性。
**4.2 与现有方法的对比分析及数据泄漏缓解**:比较原始集成模型(存在数据泄漏,准确率98.9%)与修正后无泄漏基线(准确率93.14%,平衡准确率75.07%),显示数据泄漏导致性能虚高(准确率提升约21.8%,平衡准确率提升约25.39%)。提出混合模型在无泄漏管道中达到99.30%准确率,显著优于所有基线,强调稳健实验设计的重要性。
**4.3 可解释性分析结果**:
**4.3.1 使用SHAP的可解释性分析**:SHAP全局特征重要性显示,延长减速(prolonged decelerations)是最重要特征,其次为异常长期变异时间比例、加速次数和直方图均值。短期和长期变异指标(如异常短期变异、短期变异均值、长期变异均值)也起关键作用。严重减速、直方图零值次数和胎动贡献较小。结果与临床知识一致,增强了模型透明度。
**4.3.2 使用LIME的可解释性分析**:LIME对正常、可疑、病理三类实例的解释显示:正常类预测主要依赖延长减速、严重减速和直方图中位数等有利值;可疑类预测受延长减速、异常长期变异时间比例和直方图方差等中等偏离因素影响;病理类预测中延长减速、异常短期变异和直方图相关异常起主导作用,表明模型基于临床相关生理模式做出决策。
**总结讨论与结论翻译**:研究提出的混合TabNet-Residual MLP框架在实验条件下表现优异,有效解决了传统训练-测试数据泄漏、增强了少数类检测,并通过可解释性技术提供了清晰预测。然而,合成数据无法完全反映真实患者群体的复杂性和变异性,模型在合成数据上的结果可能不直接适用于真实临床数据集。虽然避免了标准数据泄漏,但合成数据集以整个原始数据集为参考生成,可能存在先验暴露影响。此外,缺乏外部验证,框架在不同患者群体和治疗场景中的适用性尚未证实。未来工作将使用多中心大型临床CTG数据集进行验证,并探索Transformer等序列感知框架以增强连续监测,以及与产科专家合作评估临床实用性。研究结论翻译如下:本研究提出了一种基于TabNet-残差多层感知机(Residual MLP)架构的新型混合胎儿健康预测方法,辅以焦点损失(Focal Loss),用于基于CTG的正常、可疑和病理性胎儿状态分类。该框架在增强数据集上实现了99.30%准确率、99.10%平衡准确率和98.65%病理召回率,表明其能有效识别临床重要病例。通过将混合模型与现有集成框架结合,研究展示了超越独立性能的通用增强策略,在原始泄漏管道中达到95.40%准确率。关键贡献在于识别并缓解了传统训练-测试数据泄漏,改进实验协议在数据分割后再进行生成,使性能评估更真实(修正后准确率78.57%,平衡准确率70.00%),泄漏导致准确率虚高约21.8%。病理召回率从修正基线的63.64%提升至98.65%,提升约35%,表明模型对高风险胎儿异常的敏感性显著增强。SHAP和LIME提供了全局和局部解释,增强了模型清晰度,有助于未来临床决策支持系统的开发。总体而言,该混合框架在实验条件下表现良好,有效解决了数据泄漏、少数类检测和可解释性问题,是AI辅助产前健康预测的潜在方法,但需进一步使用独立数据集和临床研究验证后才可考虑广泛实施。