基于交叉注意力框架整合SNP与人口统计学特征分类酒精依赖症：xLSTM与Transformer模型性能比较研究

《Scientific Reports》：Application of cross attention-based heterogeneous data fusion framework in alcohol dependence classification

　　

摘要

酒精依赖症（AD）已成为全球第三大公共卫生问题，仅次于心血管疾病和恶性肿瘤，且其对社会和个体健康的不良影响日益加剧。有效的早期检测对于酒精依赖症的及时干预和治疗至关重要。本研究比较了扩展长短期记忆网络（xLSTM）和Transformer模型在基于单核苷酸多态性（SNPs）的遗传信息对酒精依赖症组与对照组进行分类时的性能表现。此外，我们提出了一种基于交叉注意力（Cross-Attention）的框架，通过表示层级的交互来整合SNP信息和人口统计数据。在模型级融合条件下，基于Transformer的交叉注意力模型的准确率、精确率、灵敏度、特异性和AUC值分别为83.94%、86.36%、85.03%、88.41%和0.93。在正式测试的单一来源设置中，在对重复运行间的依赖性进行校正并校正多重比较后，模型间差异不再具有统计学显著性。涉及融合设置的比较未进行正式测试，因此仅作描述性解读。这些发现表明，使用交叉注意力对SNP和人口统计特征进行联合建模在技术上是可行的，并为在更大规模的独立酒精依赖症队列中进一步评估提供了依据。在公开ATR-FTIR唾液数据集上的额外实验进一步检验了该框架在不同生物医学分类设置中的适用性。