《Frontiers in Cardiovascular Medicine》：CIN-RiskNet: a dynamic feature-enhanced TabTransformer with hybrid SMOTE-noise augmentation for contrast-induced nephropathy prediction
编辑推荐：
目的：提出一种动态特征增强的TabTransformer框架，为预测对比剂诱导肾病（CIN）提供更加有效和准确的工具。方法：本研究人员提出CIN-RiskNet，一种集成混合SMOTE-噪声增强策略的动态特征增强TabTransformer模型。该方法包括自适
目的：提出一种动态特征增强的TabTransformer框架，为预测对比剂诱导肾病（CIN）提供更加有效和准确的工具。方法：本研究人员提出CIN-RiskNet，一种集成混合SMOTE-噪声增强策略的动态特征增强TabTransformer模型。该方法包括自适应特征门控以抑制噪声、合成少数类过采样（SMOTE）以解决类别不平衡，以及多头自注意力（Multi-head Self-Attention）以捕获复杂特征交互。模型在无泄漏的分层五折交叉验证协议下训练和评估，其中SMOTE和高斯噪声仅应用于每折的训练分割，基于来自天津大学胸科医院的临床数据集，共纳入1679例因冠心病接受经皮冠状动脉介入治疗（PCI）的患者。结果：在无泄漏的五折评估下，CIN-RiskNet取得了强劲性能，准确率95.40%，召回率95.40%，F1分数95.42%。在所有评估配置中，它获得了最高的F1分数和召回率。它不仅优于传统机器学习模型（包括XGBoost、随机森林（Random Forest）和支持向量机（SVM）），还优于广泛用于CIN预测的临床评分系统——Mehran风险评分（Mehran risk score）。消融研究（Ablation studies）证实了每个模块的贡献，展示了改进的鲁棒性和泛化能力。结论：所提出的模型通过一个集成的深度学习框架，有效解决了CIN预测中的关键挑战，包括类别不平衡和特征噪声。它作为决策支持工具显示出有前景的潜力，但在广泛临床部署之前，仍需进行外部多中心验证。
**论文解读**
**研究背景**
对比剂诱导肾病（CIN）是经皮冠状动脉介入治疗（PCI）等心血管介入术后的一种严重并发症，由碘对比剂引起，表现为血清肌酐在术后48-72小时内显著升高。目前CIN缺乏有效治疗手段，早期筛查和预防是唯一可行的临床策略。现有的预测方法，如Mehran风险评分及传统机器学习模型（如随机森林、XGBoost），存在依赖手工特征工程、难以捕捉非线性特征交互、对类别不平衡敏感等局限。临床数据集常包含大量噪声和冗余特征，且CIN阳性患者比例极低（类别不平衡），导致模型易偏向多数类，增加漏诊风险。因此，研究人员提出一种动态特征增强的TabTransformer框架——CIN-RiskNet，旨在集成混合SMOTE-噪声增强策略，以解决上述挑战。该研究发表在《Frontiers in Cardiovascular Medicine》。
**研究工作与结论**
研究人员利用天津大学胸科医院心内科的1679例PCI患者数据集（其中103例为CIN阳性），构建了CIN-RiskNet模型。该模型在无泄漏的分层五折交叉验证下，取得了准确率95.40%、召回率95.40%、F1分数95.42%的优异性能，显著优于传统机器学习模型（逻辑回归、随机森林、支持向量机、XGBoost、MLP）以及改良的Mehran评分。消融研究证实了动态特征门控、SMOTE-噪声增强及多头自注意力模块的贡献，其中混合SMOTE-噪声策略实现了最优的精确率-召回率平衡。该模型的SHAP分析显示，预测主要基于肾功能相关变量（如术前肌酐、eGFR、对比剂剂量），与已知CIN风险机制一致。结论表明，该模型通过端到端深度学习框架有效解决了CIN预测中的类别不平衡和特征噪声问题，但需通过前瞻性多中心外部验证后方可推广至临床部署。
**关键技术与方法**
（不超过250字）研究人员采用的主要技术方法包括：①混合SMOTE-噪声增强策略：合成少数类过采样（SMOTE）平衡类别分布，高斯噪声注入模拟临床测量误差，两者结合增强模型鲁棒性。②动态特征门控机制：基于可训练的门控权重矩阵，自适应抑制冗余和噪声特征，突出关键变量。③TabTransformer编码器：将23个临床变量作为独立特征令牌，通过多头自注意力（Multi-head Self-Attention）捕获跨特征交互，并采用多层感知机（MLP）分类头输出风险概率。模型在无泄漏的分层五折交叉验证下训练，数据来源为天津大学胸科医院心内科的1679例PCI患者队列。
**研究结果**
**3 结果**
通过对比实验和消融研究，验证了CIN-RiskNet的预测性能及模块贡献。
**基线模型比较**：在无泄漏五折交叉验证下，CIN-RiskNet的召回率（0.9540）和F1分数（0.9542）均高于所有对比模型（包括XGBoost、随机森林、支持向量机、逻辑回归、MLP）。虽然随机森林和XGBoost的准确率略高（0.9621和0.9588），但它们的召回率仅为0.3992，意味着漏诊超过60%的CIN阳性病例，而CIN-RiskNet在保持高精确率（0.9545）的同时实现了高召回率，体现了自注意力建模特征交互的优势。
**消融研究**：通过逐步移除或替换模块，证实了各模块的贡献。基线Transformer（单次划分）的F1分数为0.9032；引入五折交叉验证后F1升至0.9056；加入动态门控机制使F1提升至0.9095；采用CLS令牌池化后F1为0.9126；单独应用SMOTE使F1大幅提升至0.9506；单独应用高斯噪声使F1为0.9281；混合SMOTE-噪声策略达到最优F1（0.9542）和召回率（0.9540），表明类别不平衡是主要瓶颈，噪声增强进一步提升了模型对临床测量误差的鲁棒性。
**SHAP可解释性分析**：SHAP分析显示，模型预测最依赖肾功能相关变量（术前肌酐、eGFR、对比剂剂量）以及身高、既往心肌梗死史、钙通道阻滞剂（CCB）和血管紧张素转换酶抑制剂（ACEI）使用情况，这些与已知CIN风险机制一致，支持了模型决策的临床合理性。
**讨论与结论**
**4 讨论**
CIN-RiskNet通过端到端TabTransformer框架减少了主观因素，动态特征门控机制和混合SMOTE-噪声增强分别解决了特征噪声和类别不平衡问题。研究指出，该模型可作为PCI术前辅助决策工具，识别高风险患者，指导个性化预防策略（如积极水化、低渗对比剂、优化手术时机）。但模型的有效性及临床实用性仍需进一步验证，当前建议在严格监控下谨慎应用，最终治疗决策应由临床医生结合床旁判断和指南做出。局限性包括：单中心回顾性设计，外部泛化性受限；结构化数据中缺失Mehran评分所需变量，导致改良比较器性能接近随机；仅使用表格型变量，未来需纳入多模态数据和前瞻性多中心队列。
**5 结论**
本研究提出CIN-RiskNet，一种集成了混合SMOTE-噪声增强的动态特征增强TabTransformer模型，用于预测CIN。该模型通过整合动态特征选择、噪声鲁棒数据增强和多头注意力机制，显著提升了预测性能。实验结果显示，在五折交叉验证下，CIN-RiskNet达到了95.40%的准确率、95.40%的召回率和95.42%的F1分数，大幅优于传统机器学习模型和常规临床评分系统。消融研究证实，每个模块（动态门控、SMOTE-噪声增强、多头自注意力）均对整体性能提升有正向贡献，其中SMOTE-噪声组合实现了最优的精确率-召回率平衡。尽管内部结果令人鼓舞，但常规临床部署尚不成熟；在广泛实施前，需进行前瞻性外部多中心验证和校准评估。
