关键词:
深度学习
时间序列预测
核酸扩增检测技术
Kolmogorov-Arnold网络
Transformer
摘要:
随着医辽诊断和治疗干预技术的不断进步,医学时间序列数据呈现指数级增长。人工智能(AI),尤其是深度学习在挖掘医学时间序列数据潜在信息方面展现出巨大潜力。为此,首次提出将Transformer与Kolmogorov arnold网络(KAN)相结合的方法,用于核酸扩增实验数据的预测分析。通过实验数据分析,证实模型在准确预测扩增趋势和终点值方面的有效性,终点值误差仅为1.87,R-square系数为0.98,且模型能准确识别不同样本类型的实验数据。进一步地,通过消融实验和超参数调优,深入探究模型各组成部分及其参数对预测性能的影响。最后,在911条临床数据上对10种深度学习模型进行泛化能力测试的结果表明,Transformer-KAN模型在预测准确性和泛化能力上均优于其他模型,不仅为改进大流行病常规诊断技术提供了新视角,还为进一步研究KAN模型及相应基础理论提供了实验佐证。