医疗先验引导的TabMap深度学习模型用于卵巢癌预测及可解释性研究

Medical prior-guided TabMap deep learning model for ovarian cancer prediction and interpretability analysis

摘要

目的 针对卵巢癌早期诊断中表格型医疗数据特征关联复杂、模型可解释性不足等问题，提出一种融合医疗先验知识的TabMap图像映射与深度学习预测框架。 方法 首先，根据临床语义将36个医疗诊断特征划分为血常规分区、生化指标分区、肿瘤标志物分区以及其他（凝血、炎症及临床变量）分区4个空间连续区域；其次，采用Gromov-Wasserstein最优传输算法求解特征空间与像素空间的最优耦合，生成保持拓扑结构的TabMap图像；然后，设计融合SE注意力机制和全局平均池化的轻量级卷积神经网络，通过类别加权损失和加权采样策略应对样本不平衡问题；最后，利用类激活映射技术可视化模型决策过程，实现可解释性分析。 结果 在真实卵巢癌数据集上的实验表明，本文方法的测试集准确率达到91.82%，精确率为89.96%，召回率为89.45%，F1分数为0.8970，平衡准确率为88.51%，相比传统机器学习方法准确率提升8.26%~14.93%，相比标准深度学习模型准确率提升2.28%~13.60%。可解释性分析显示，模型在肿瘤标志物分区以及凝血、炎症以及临床变量相关分区中呈现出明显的响应模式，与临床既有认知保持一致；特征重要性排序进一步强调了CA125、HE4等关键指标在模型决策中的核心作用。 结论 本研究提出的医疗先验引导TabMap方法有效融合了领域知识与数据驱动学习，在提升预测性能的同时增强了模型的临床可解释性，为表格型医疗数据的深度学习建模提供了新思路，具有良好的临床应用潜力。

Abstract

Objective To develop a TabMap image mapping and deep learning prediction framework that integrates medical prior knowledge to address the challenges of complex feature associations in tabular medical data and insufficient model interpretability in early ovarian cancer diagnosis. Methods Based on clinical semantics, 36 medical diagnostic features were partitioned into 4 spatially continuous regions, namely the routine blood test partition, biochemical indicators partition, tumor markers partition, and other (coagulation, inflammation, and other clinical variables) partition. The Gromov-Wasserstein optimal transport algorithm was then employed to solve the optimal coupling between feature space and pixel space, thus generating TabMap images that preserve the topological structures. A lightweight convolutional neural network incorporating SE attention mechanism and global average pooling was designed to handle sample imbalance using class-weighted loss and weighted sampling strategies. Finally, class activation mapping (CAM) technique was utilized to visualize the model's decision-making process for interpretability analysis. Results Experiments on a real ovarian cancer dataset demonstrated that the proposed method achieved a test accuracy of 91.82% with a precision of 89.96%, recall of 89.45%, F1-score of 0.8970 and balanced accuracy of 88.51%, representing accuracy improvements of 8.26%-14.93% over traditional machine learning methods and 2.28%-13.60% over standard deep learning models. Interpretability analysis showed that the model exhibits pronounced activation patterns in the tumor-marker region as well as in coagulation-, inflammation-, and age-related zones, consistent with established clinical understanding. The feature-importance ranking further underscored the pivotal roles of CA125, HE4, and other key biomarkers in guiding the model's decisions. Conclusion The proposed medical prior-guided TabMap method effectively integrates domain knowledge with data-driven learning, which enhances both its prediction performance and clinical interpretability. This strategy provides a novel approach for deep learning modeling of tabular medical data with good clinical potentials.

Graphical abstract

关键词

卵巢癌预测 / TabMap / 深度学习 / 可解释性 / 医疗先验知识

Key words

ovarian cancer prediction / TabMap / interpretability / medical prior knowledge / deep learning

卵巢癌是女性生殖系统最致命的恶性肿瘤之一，由于早期症状隐匿且缺乏有效的筛查手段，约70%的患者在确诊时已进入晚期，5年生存率仅为30%~40%^［1-3］。早期诊断是改善患者预后的关键，然而传统诊断方法高度依赖医生的临床经验和对多维医疗指标的综合判断，面临主观性强、漏诊率高等挑战^{［4， 5］}。随着电子病历系统的普及，积累了大量包含生化指标、肿瘤标志物、影像学特征和临床病史等多模态表格数据，如何充分挖掘这些数据中的诊断价值，构建智能化的辅助诊断系统，已成为精准医疗领域的重要研究方向^{［6， 7］}。

近年来，机器学习方法在医疗数据分析中展现出巨大潜力^［8］。传统方法如支持向量机^［9］、随机森林^［10］和逻辑回归^［11］等直接以表格特征作为输入，通过统计学习建立预测模型。然而，这些方法在处理高维特征时往往忽略了特征间的复杂关联和空间结构信息，导致模型性能受限。深度学习，特别是卷积神经网络（CNN），凭借其强大的特征提取能力在图像分类任务中取得了突破性进展^［12-14］，但其输入通常要求具有规则的空间结构，难以直接应用于无序的表格数据。为弥合这一鸿沟，Wang等^［15］提出了将表格数据转换为图像的TabMap方法，通过特征到像素的映射使CNN能够处理表格型医疗数据。然而，现有TabMap方法虽然引入最优传输算法进行特征到像素的全局映射，但将所有特征视为同质集合统一处理，未能区分不同类别医疗指标的临床语义差异。这导致血常规、生化指标、肿瘤标志物等具有不同诊断意义的指标可能被随意映射至相邻像素位置，使生成图像缺乏临床结构逻辑，既限制了模型对医疗数据内在规律的捕获能力，也削弱了模型预测结果的可解释性。

为解决上述问题，本研究提出一种融合医疗先验知识的TabMap生成与深度学习预测框架，旨在通过引入临床语义信息指导特征空间结构化映射，增强TabMap图像的医疗语义表达能力，并结合可解释性分析方法，探索该框架在卵巢癌早期诊断中的应用潜力。

1 资料和方法

1.1 研究对象

本研究已通过中山大学肿瘤防治中心伦理委员会审批（伦理批号：B2022-729-01），严格遵循《赫尔辛基宣言》规范开展。鉴于所有病例信息均已匿名化处理，伦理委员会特别豁免了书面知情同意要求。研究构建了涵盖2012年1月1日~2021年4月4日期间的大型临床数据库，共纳入中山大学肿瘤防治中心妇科收治的393例卵巢癌患者及1951例健康对照人群。

原始特征经严格筛选后保留36项核心临床指标，涵盖血常规参数12项、生化指标13项、肿瘤标志物5项及其他（凝血、炎症及临床变量）6项四大类别，并辅助设置1项二分类结局标签（1为患卵巢癌，0为未患卵巢癌）^［16］。该特征分区方式基于标准临床检验体系的专业划分原则^{［17， 18］}，并结合卵巢癌诊断中肿瘤标志物的临床使用习惯，经中山大学肿瘤防治中心妇科肿瘤临床专家确认其符合实际诊疗流程与临床认知。此外，数据利用多重链式方程插补法（MICE）进行缺失值填补，并通过数据预处理将所有特征归一化至［0，1］之间。如表1所示，提供了3个样本所对应的36项指标以及1项类别标签数据表。

1.2 研究方法

图1为本文所提出的“先验分区-类图映射-深度学习预测-结果可解释分析”的一体化框架，由四个核心模块组成，根据先验语义将36个医疗诊断特征划分为4个空间连续区域，并在各区域分别构建特征相关性系数距离矩阵与网格欧式距离矩阵，以刻画高维与二维拓扑结构；基于最优传输映射模块求解区域内特征到二维像素的耦合最优方案，并通过线性分配确保结构映射，进而生成医疗先验引导的TabMap二维图像数据集；以生成的TabMap图像为输入，采用融合SE注意力与全局平均池化的轻量级CNN深度学习网络训练和预测卵巢癌预测分类，并引入类别加权损失与加权随机采样以解决样本不平衡问题；基于分类器权重与最后一层特征图生成类激活热力图，可视化关键风险区域以实现模型的可解释性分析。

1.2.1 基于医疗先验语义的特征空间分区

针对36个医疗诊断特征，本研究根据临床语义将其划分为4个空间连续区域：血常规分区包含特征0-11（白细胞计数、淋巴细胞百分比等）、生化指标分区包含特征12-24（白蛋白、球蛋白、乳酸脱氢酶等）、肿瘤标志物分区包含特征25-29（AFP、HE4、CA125等）、其他（凝血、炎症及临床变量）分区包含特征30-35（pH、CRP、D-二聚体、纤维蛋白原等）。对于第k个区域，分别构建特征距离矩阵 C_F^（k）∈ℝ ^nk×nk 和像素距离矩阵 C_P^（k）∈ℝ ^mk×mk，其中n_k 为该区域的特征数，m_k 为分配给该区域的像素数。特征距离矩阵通过相关性系数计算^［15］：

C_F^{(k)}(i,j)=d(f_i,f_j)（1）

其中d（·）为距离度量函数，f_i 和f_j 为区域内的第i个和第j个特征。像素距离矩阵基于网格坐标的欧式距离：

C_P^{(k)}(i,j)=\sqrt[]{(x_i-x_j{)}^{\mathrm{2}}+(y_i-y_j{)}^{\mathrm{2}}}（2）

其中（x_i，y_i ）为第i个像素在6×6网格中的坐标。这种双距离矩阵设计使高维特征空间与二维图像空间建立了拓扑对应关系。与原始TabMap方法相比，本文方法的核心差异在于引入了医疗先验约束。原始方法在全局范围内构建特征相关性矩阵并一次性求解最优传输，虽然能够保持统计相关性，但忽略了特征间的临床语义关联。本文采用"先分区后映射"的策略，确保具有临床关联性的特征（如同属肿瘤标志物类别的CA125、HE4等）在生成的TabMap图像中保持空间邻近性，使得CNN在局部感受野内能够捕获有临床意义的特征组合模式，同时为后续的可解释性分析提供了清晰的语义对应关系。

1.2.2 最优传输驱动的TabMap映射生成

对每个区域，采用Gromov-Wasserstein最优传输求解特征到像素的最优耦合^［19］。给定区域k的两个度量空间（C_F^（k）_，μ）和（C_P^（k）_，v），其中μ和v为均匀分布，最优传输问题定义为：

T^{(k)}=\underset{{}_{T\in \mathrm{\Pi }(\mu ,\nu )}}{\mathrm{a}\mathrm{r}\mathrm{g}\mathrm{m}\mathrm{i}\mathrm{n}}\sum _{i,j,p,q}L(C_F^{(k)}(i,j),C_P^{(k)}(p,q))T_{ip}{T}_{jq}（3）

其中T∈ℝ ^nk×mk 为传输矩阵，Π（μ，v）为边缘分布为μ和v的所有耦合矩阵集合，L（·）为损失函数。求解得到的耦合矩阵T^（k）经线性分配算法优化为确定性映射：

(\widehat{i},\widehat{p})=\underset{i,p}{\mathrm{a}\mathrm{r}\mathrm{g}\mathrm{m}\mathrm{a}\mathrm{x}}{T}_{ip}^{(k)}（4）

整合4个区域的映射结果得到全局投影矩阵P∈ℝ^36×36，原始表格数据X∈ℝ ^N×36通过矩阵乘法转换为TabMap图像：

X_{TabMap}=\mathrm{r}\mathrm{e}\mathrm{s}\mathrm{h}\mathrm{a}\mathrm{p}\mathrm{e}(X\cdot P,(N,\mathrm{6,6}))（5）

其中N为样本数，reshape操作将36维向量重构为6×6图像。

1.2.3 融合SE注意力机制的轻量级CNN架构

本研究设计的CNN网络采用渐进式卷积（32→64→128通道）提取TabMap特征。在关键层引入SE注意力模块，对通道c的特征图F_c\in {\mathbb{R}}^{H\times W}进行自适应重标定^［20］：

z_c=\frac{\mathrm{1}}{H\times W}{\displaystyle \sum _{i=\mathrm{1}}^H}{\displaystyle \sum _{j=\mathrm{1}}^W}{F}_c(i,j)（6）

s_c=\sigma (W_{\mathrm{2}}\delta (W_{\mathrm{1}}z))（7）

{\widehat{F}}_c=s_c\cdot F_c（8）

其中z_c 为通道c的全局描述符，W₁∈ℝ ^C/r×C 和W₂∈ℝ ^C×C/r 为降维和升维的权重矩阵（r为压缩比），\delta (\cdot )为ReLU激活函数，σ（·）为Sigmoid函数，s_c 为学习到的通道权重，{\widehat{F}}_c为重标定后的特征图。网络末端采用全局平均池化替代全连接层，输出特征向量h∈ℝ¹²⁸经线性分类器得到预测结果\widehat{y}=\mathrm{s}\mathrm{o}\mathrm{f}\mathrm{t}\mathrm{m}\mathrm{a}\mathrm{x}(W_{c}h+b)。

1.2.4 损失函数

针对样本不平衡问题，采用加权交叉熵损失函数^［21］：

\mathrm{ℒ}=-\frac{\mathrm{1}}{N}{\displaystyle \sum _{i=\mathrm{1}}^N}{w}_{y_i}logp(y_i|x_i)（9）

其中，N为样本数，y_i 为真实标签，p（y_i |x_i ）为模型预测的类别概率，w_yi 为类别权重，按样本数倒数计算：

w_j=\frac{N}{K\cdot N_j}（10）

其中K为类别数（本文为2），N_j 为第j类的样本数。训练时配合加权随机采样器，样本i的抽样概率为p_i=w_{y_i}/{\displaystyle \sum _{j=\mathrm{1}}^N}{w}_{y_j}，从数据和损失两个层面同时缓解类别不平衡。

1.3 模型验证与评估

评估指标包括准确率（Acc）、精确率（Precision）、召回率（Recall）、F1分数（F1-Score）和平衡准确率（BA）^［22］。

准确率定义为正确预测样本数与总样本数的比值：

Acc=\frac{TP+TN}{TP+TN+FP+FN}（11）

其中，TP是真正例，TN是真负例，FP是假真例，FN是假负例。

精确率表示模型预测为正类的样本中，真正为正类的比例，

Precision=\frac{TP}{TP+TN}（12）

召回率为所有实际为正类的样本中，被模型正确预测为正类的比例，定义为

Recall=\frac{TP}{TP+FN}（13）

F1分数是精确率和召回率的调和平均数，用于单一指标中平衡两者，

F\mathrm{1}-Score=\frac{\mathrm{2}\cdot (Precision\cdot Recall)}{Precision+Recall}（14）

平衡准确率用于评估模型在不平衡数据集上的性能，定义为：

BA=\frac{\mathrm{1}}{K}{\displaystyle \sum _{j=\mathrm{1}}^K}\frac{T{P}_j}{T{P}_j+F{N}_j}（15）

其中TP_j 和FN_j 分别为第j类的真阳性和假阴性数量，K为类别数。

1.4 模型可解释性分析

采用类激活映射（CAM）技术可视化模型决策依据。对于预测类别c，提取最后卷积层的n_final =128个特征图｛F₁，F₂，…，F₁₂₈｝和分类器权重｛w₁^c，w₂^c，…，w₁₂₈^c ｝，计算类激活图：

\mathrm{C}\mathrm{A}{\mathrm{M}}_c(i,j)={\displaystyle \sum _{k=\mathrm{1}}^{n_{final}}}{w}_k^c\cdot F_k(i,j)（16）

其中（i，j）为空间位置。激活图经归一化和双线性插值上采样至原始6×6尺寸后，以伪彩色叠加显示，高激活区域对应对预测贡献最大的特征位置。通过映射回原始特征空间，临床医生可识别关键诊断指标，增强模型可信度。

2 结果

2.1 不同机器学习模型性能对比分析

在相同数据划分条件下，对多种模型在测试集上的性能进行比较。数据集采用分层抽样策略，按6∶2∶2比例分层划分为训练集、验证集和测试集，确保各子集中卵巢癌患者与健康对照的比例与原始数据集保持一致（约1∶5）。具体而言，训练集包含235例卵巢癌患者和1171例健康对照（共1406例），验证集包含79例卵巢癌患者和390例健康对照（共469例），测试集包含79例卵巢癌患者和390例健康对照（共469例）。训练采用Adam优化器（学习率η=0.001，batch size=128）和早停策略（patience=15）。表2展示了各模型在测试集上的综合性能对比。

从表2的结果可以看出，本文提出的TabMap-CNN模型在多项指标上表现最优，测试集准确率达到91.82%，精确率为89.96%，召回率为89.45%，F1分数为0.8970，平衡准确率为88.51%。

为验证本文方法与对比模型性能差异的统计显著性，采用DeLong检验在同一测试集上对各模型的ROC曲线下面积（AUC）进行成对比较。本文模型在测试集上的AUC为0.9385，与其他模型相比差异均具有统计学意义（P<0.05，表3）。

2.2 收敛性实验结果

图2展示了TabMap-CNN模型在训练过程中的收敛曲线，包括损失函数和多项性能指标的变化。从图2A的损失曲线可以看出，训练损失从初始的约0.68下降至0.05~0.08区间；验证损失从初始的约0.88下降至0.2左右，最低点出现在第52个epoch附近。早停机制在第67个epoch触发，并采用第52个epoch的模型参数作为最终模型。

图2B展示了训练准确率、验证准确率、平衡准确率和F1分数的演变过程。训练准确率（蓝色实线）从初始的约56%提升至92%~93%。验证准确率（红色实线）从初始的约60%提升至88%~90%区间，最高验证准确率出现在第52个epoch。训练曲线和验证曲线之间的差距始终保持在3%~4%以内。

平衡准确率（绿色虚线）从初始的约65%逐步提升至87%~89%区间；F1分数（紫色虚线）从初始的约0.66稳步上升至0.88左右，与平衡准确率的变化趋势高度一致。各项指标在训练后期趋于稳定。

2.3 样本不平衡分析

由于本研究数据集中卵巢癌患者与健康对照的比例约为1：5，存在显著的类别不平衡问题。因此，为验证所采用的不平衡处理策略的有效性，本节对比分析了不同策略配置下的模型性能。实验设置了4种策略配置：无处理基线；仅使用加权损失函数；仅使用加权随机采样；加权损失与加权采样结合（本文方法）。

2.4 消融实验

本研究设计消融实验对比3种特征映射方案（表5）：无先验分区+最优传输，即原始TabMap方法，将36个特征作为整体进行全局最优传输求解；随机分区+最优传输，将特征随机划分为4组后分别进行最优传输；先验分区+最优传输，即本文方法。3种方案均采用相同的CNN架构和训练策略，仅在TabMap生成阶段的特征映射方式上存在差异。其中，随机分区方案由于破坏了特征间的统计相关性，性能略低于原始方法。本文提出的先验分区方案（准确率为91.82%，平衡准确率为88.51%），相比原始TabMap方法（准确率为88.67%，平衡准确率为85.06%）分别提升3.15%和3.45%，相比随机分区（准确率为87.95%，平衡准确率为84.28%）分别提升3.87%和4.23%。

2.5 本文方法可解释性分析

图3展示了3个代表性样本的可视化结果，包括原始TabMap图像和对应的类激活热力图。

从可视化结果可以观察到明显的决策聚焦模式。对于卵巢癌阳性样本（真实标签=1，预测=1），CAM热力图在TabMap的底部区域呈现显著的高激活模式（黄色/橘色区域）。根据本研究设计的特征空间分区，这些高激活区域主要对应第5行的肿瘤标志物分区（特征26、29、27、28、25，分别为HE4、CA724、CA125、CA153、AFP）和第6行的其他（凝血、炎症及临床变量）分区（特征35、31、30、34、32、33，包括年龄、CRP、pH值、纤维蛋白原、D-二聚体、抗凝血酶III活性）。

相比之下，健康对照样本（真实标签=0，预测=0）的CAM激活强度整体较弱，空间分布也更为分散，未观察到明显的局部集中区域。

为定量评估各特征的贡献度，本研究将CAM热力图映射回原始36个医疗特征，计算每个特征的平均激活强度作为其重要性得分。为了统计关键特征的排列顺序，表6列出了基于100个随机阳性样本CAM分析的前10个关键特征。

3 讨论

本研究提出的医疗先验引导TabMap-CNN框架在卵巢癌预测任务中取得了显著的性能提升，这主要归功于3个方面的创新设计。首先，基于医疗先验语义的特征空间分区策略打破了传统表格数据到图像转换中特征排列的随意性，与原始TabMap的全局统一映射不同，本文方法通过"先分区后映射"确保临床相关特征保持空间邻近性，通过将具有临床关联性的特征划分至空间连续区域，使生成的TabMap图像不仅保留了特征间的统计相关性，更融入了医学领域知识，为深度学习模型提供了具有语义结构的输入表征。其次，基于Gromov-Wasserstein最优传输的特征映射方法在保持高维特征拓扑结构的同时，实现了特征空间到像素空间的最优耦合，相比简单的特征重排或随机映射，这种数学优化方法能够最大化地保留特征间的相互关系，使得CNN在提取局部模式时能够捕获到真正有意义的特征组合。第三，轻量级CNN架构结合SE注意力机制和全局平均池化的设计兼顾了模型的表达能力和泛化性能，在小样本医疗数据集上避免了过拟合风险，同时为可解释性分析提供了技术基础。

为验证本文所提出的医疗先验引导TabMap-CNN方法的有效性，本研究在相同的卵巢癌数据集上对比了多种主流机器学习模型的预测性能。对比模型包括传统机器学习方法（支持向量机SVM、随机森林RF、逻辑回归LR、XGBoost）^{［9-11， 23］}和深度学习方法（多层感知机MLP、标准CNN、ResNet-18）^［24-26］。各模型采用一致的数据划分和训练环境，其中传统机器学习方法以36维原始特征为输入，深度学习模型以TabMap图像为输入。结果显示，TabMap-CNN在准确率、平衡准确率及AUC等指标上均表现较好。该结果提示，在当前表格型医疗数据场景中，结合图像化特征表达与卷积网络建模具有一定优势。

综合图2A和图2B的结果，本文提出的TabMap-CNN模型在训练过程中展现出良好的收敛性和稳定性。损失函数的持续下降、准确率指标的稳步提升以及训练-验证曲线间的适度差距，共同证明了模型设计的合理性和训练策略的有效性，为临床应用提供了可靠的性能保障。样本不平衡策略的对比结果显示，无处理基线模型对少数类（卵巢癌患者）的识别能力不足，单独采用类别加权损失或加权随机采样均可改善少数类识别能力，而两者结合时效果更为明显，提示在类别比例失衡的情况下，综合考虑损失函数设计与样本分布调整，有助于提高模型对少数类的识别水平。

消融实验进一步表明，特征映射方式对模型性能具有明显影响。先验分区方案在准确率和平衡准确率方面均优于无分区及随机分区方案，这验证了医疗先验引导的特征分区策略能够显著提升模型性能：一方面，先验分区确保了临床相关特征在TabMap图像中的空间邻近性，便于CNN在局部感受野内捕获有意义的特征组合；另一方面，领域知识的引入在小样本场景下也起到了隐式正则化的作用，有效抑制了过拟合风险。

从临床意义角度看，可解释性分析所揭示的关键特征中，CA125和HE4在特征重要性排序中位居前列且激活强度最高，二者为卵巢癌临床管理中研究较为深入、临床应用较为广泛的血清学标志物^［27］。此外，D-二聚体、纤维蛋白原及C-反应蛋白等凝血与炎症相关指标亦处于重要特征前列，既往研究提示凝血功能异常（如D‑二聚体升高、纤维蛋白原水平改变）^［28］以及炎症反应指标（如C‑反应蛋白升高）^［29］在肿瘤患者中均具有一定辅助诊断和预后评估价值。辅助肿瘤标志物（如CA153、CA724）、营养相关指标（如白蛋白）及年龄等变量亦被模型纳入重要特征范围。这说明模型并非依赖数据中的偶然统计规律进行判别，而是捕获了具有病理生理基础的特征模式。这种可解释性对于临床应用至关重要：一方面，它增强了临床医生对模型预测结果的信任；另一方面，模型所强调的多维特征组合（如同时关注肿瘤标志物与凝血功能）也为构建更完善的临床诊断路径提供了参考依据。

然而，本研究也存在一定的局限性。首先，当前方法针对36个特征的4个区域划分进行了专门设计，对于特征数量差异较大的其他医疗数据集，如何自适应地确定区域数量和边界仍需进一步研究。其次，最优传输求解过程涉及迭代优化，当特征维度显著增加时计算复杂度可能成为瓶颈，未来可探索更高效的近似算法或采用GPU加速。此外，本研究数据来源于单中心，模型在多中心数据上的泛化能力有待进一步验证。

未来的研究可从以下几个方向展开：一是探索自动化的特征分区方法，利用聚类算法或图神经网络自动学习特征间的语义关联并确定最优分区方案；二是将本方法扩展到多模态医疗数据融合场景，整合影像、文本、基因组学等异构数据，构建更全面的疾病预测模型；三是开发面向临床的交互式决策支持系统，将TabMap-CNN模型集成到电子病历系统中，为医生提供实时的诊断建议和风险评估。总体而言，本研究为表格型医疗数据的深度学习建模提供了一种新的思路，展示了将领域知识与数据驱动方法相结合的巨大潜力，为推动人工智能在精准医疗领域的应用奠定了基础。

参考文献

[1] Han BF, Zheng RS, Zeng HM, et al. Cancer incidence and mortality in China, 2022[J]. J Natl Cancer Cent, 2024, 4(1): 47-53. doi：10.1016/j.jncc.2024.01.006

[2] Siegel RL, Giaquinto AN, Jemal A. Cancer statistics, 2024[J]. CA A Cancer J Clin, 2024, 74(1): 12-49. doi：10.3322/caac.21820

[3] Sundar S, Neal RD, Kehoe S. Diagnosis of ovarian cancer[J]. Bmj, 2015: h4443. doi：10.1136/bmj.h4443

[4] Dexter JM, Brubaker LW, Bitler BG, et al. Ovarian cancer think tank: an overview of the current status of ovarian cancer screening and recommendations for future directions[J]. Gynecol Oncol Rep, 2024, 53: 101376. doi：10.1016/j.gore.2024.101376

[5] Lawson-Michod KA, Watt MH, Grieshober L, et al. Pathways to ovarian cancer diagnosis: a qualitative study[J]. BMC Womens Health, 2022, 22(1): 430. doi：10.1186/s12905-022-02016-1

[6] Mataraso SJ, Espinosa CA, Seong D, et al. A machine learning approach to leveraging electronic health records for enhanced omics analysis[J]. Nat Mach Intell, 2025, 7(2): 293-306. doi：10.1038/s42256-024-00974-9

[7] Krones F, Marikkar U, Parsons G, et al. Review of multimodal machine learning approaches in healthcare[J]. Inf Fusion, 2025, 114: 102690. doi：10.1016/j.inffus.2024.102690

[8] He X, Bai XH, Chen H, et al. Machine learning models in evaluating the malignancy risk of ovarian tumors: a comparative study[J]. J Ovarian Res, 2024, 17(1): 219. doi：10.1186/s13048-024-01544-8

[9] Guido R, Ferrisi S, Lofaro D, et al. An overview on the advancements of support vector machine models in healthcare applications: a review[J]. Information, 2024, 15(4): 235. doi：10.3390/info15040235

[10] Barreñada L, Dhiman P, Timmerman D, et al. Understanding overfitting in random forest for probability estimation: a visualization and simulation study[J]. Diagn Progn Res, 2024, 8(1): 14. doi：10.1186/s41512-024-00177-1

[11] Madakkatel I, Lumsden AL, Mulugeta A, et al. Large-scale analysis to identify risk factors for ovarian cancer[J]. Int J Gynecol Cancer, 2025, 35(8): 101844. doi：10.1136/ijgc-2024-005424

[12] Zhu YT, Brettin T, Xia FF, et al. Converting tabular data into images for deep learning with convolutional neural networks[J]. Sci Rep, 2021, 11(1): 11325. doi：10.1038/s41598-021-90923-y

[13] Sharma A, Vans E, Shigemizu D, et al. DeepInsight: a methodology to transform a non-image data to an image for convolution neural network architecture[J]. Sci Rep, 2019, 9(1): 11399. doi：10.1038/s41598-019-47765-6

[14] Bazgir O, Zhang RB, Dhruba SR, et al. Representation of features as images with neighborhood dependencies for compatibility with convolutional neural networks[J]. Nat Commun, 2020, 11(1): 4391. doi：10.1038/s41467-020-18197-y

[15] Yan R, Islam MT, Xing L. Interpretable discovery of patterns in tabular data via spatially semantic topographic maps[J]. Nat Biomed Eng, 2025, 9(4): 471-82. doi：10.1038/s41551-024-01268-6

[16] Zhang TS, Pang AB, Lyu JG, et al. Application of nonlinear models combined with conventional laboratory indicators for the diagnosis and differential diagnosis of ovarian cancer[J]. J Clin Med, 2023, 12(3): 844. doi：10.3390/jcm12030844

[17] 叶应妩. 全国临床检验操作规程[M]. 3版. 南京: 东南大学出版社, 2006.

[18] Burtis CA, Ashwood ER, Bruns DE. Tietz textbook of clinical chemistry and molecular diagnostics[M]. Elsevier, 2012. doi：10.1016/b978-1-4160-6164-9.00139-6

[19] Peyré G, Cuturi M, Solomon JM. Gromov-Wasserstein averaging of kernel and distance matrices[C]//International Conference on Machine Learning., 2016.

[20] Xiong LL, Yi C, Xiong QL, et al. SEA-NET: medical image segmentation network based on spiral squeeze-and-excitation and attention modules[J]. BMC Med Imaging, 2024, 24(1): 17. doi：10.1186/s12880-024-01194-8

[21] Song ZY, Shi ZL, Yan XM, et al. An improved weighted cross-entropy-based convolutional neural network for auxiliary diagnosis of pneumonia[J]. Electronics, 2024, 13(15): 2929. doi：10.3390/electronics13152929

[22] Tharwat A. Classification assessment methods[J]. Appl Comput Inform, 2021, 17(1): 168-92. doi：10.1016/j.aci.2018.08.003

[23] Chen TQ, Guestrin C. XGBoost: a scalable tree boosting system[C]//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco California USA. ACM, 2016: 785-794. doi：10.1145/2939672.2939785

[24] Abu-Doush I, Ahmed B, Awadallah MA, et al. Enhancing multilayer perceptron neural network using archive-based Harris Hawks optimizer to predict gold prices[J]. J King Saud Univ Comput Inf Sci, 2023, 35(5): 101557. doi：10.1016/j.jksuci.2023.101557

[25] Krichen M. Convolutional neural networks: a survey[J]. Computers, 2023, 12(8): 151. doi：10.3390/computers12080151

[26] He KM, Zhang XY, Ren SQ, et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). June 27-30, 2016, Las Vegas, NV, USA. IEEE, 2016: 770-8. doi：10.1109/cvpr.2016.90

[27] Momenimovahed Z, Mazidimoradi A, Allahqoli L, et al. The role of CA-125 in the management of ovarian cancer: a systematic review[J]. Cancer Rep, 2025, 8(3): e70142. doi：10.1002/cnr2.70142

[28] Farzaneh F, Salimnezhad M, Hosseini MS, et al. D-dimer, fibrinogen and tumor marker levels in patients with benign and malignant ovarian tumors[J]. Asian Pac J Cancer Prev, 2023, 24(12): 4263-8. doi：10.31557/apjcp.2023.24.12.4263

[29] Zhang LY, Guo LL, Wang HY, et al. Knowledge graph and bibliometric analysis of inflammatory indicators in ovarian cancer[J]. Front Oncol, 2025, 15: 1533537. doi：10.3389/fonc.2025.1533537

基金资助

国家自然科学基金(82572381)

国家自然科学基金(82404078)

广东省基础与应用基础研究基金(2024A1515012100)

广东省基础与应用基础研究基金项目区域联合基金-青年基金项目(2023A1515110701)

RIGHTS & PERMISSIONS

版权所有©《南方医科大学学报》编辑部2021