卵巢癌早筛不再只靠单一标志物：四种排序由PSO自适应加权，完整流程消融准确率85.51%
核心概要
卵巢癌早期诊断依赖血清标志物与常规化验，但高维临床数据里冗余、噪声和相互相关的变量会拖累分类与可解释性。一种把相关性分析、互信息、XGBoost重要性和SHAP相关性四种排序用粒子群优化自适应加权的混合标志物选择流程，接上带注意力机制的多尺度一维卷积网络，在公开Kaggle卵巢癌临床数据集上以分层十折交叉验证评估，报告准确率93.35%、ROC-AUC 90.66%。消融中完整流程准确率85.51%，比无选择、无注意力的基线一维卷积网络高19.33个百分点。
深度剖析
卵巢癌分类的输入不再是全部临床化验变量，而是由四种互补排序融合后挑出的标志物子集，再送入带注意力的多尺度一维卷积网络。 此前的做法多依赖单一特征选择策略，或对多种排序给固定权重，冗余和相关标志物容易留在模型里。 消融对照显示，无标志物选择、无注意力的基线一维卷积网络准确率为66.18%，加入混合选择后升到81.88%，完整流程达到85.51%，相差19.33个百分点；中间的多尺度模型准确率在消融与对比两处分别写作76.13%和69.63%，两处数值不一致。
混合得分把统计排序、集成重要性和可解释性相关性放进同一个加权体系，权重由数据本身学出。 粒子群优化在这里的作用是搜索四种排序各自的权重，使加权后的标志物排序在下游分类上表现最好。 评估使用公开Kaggle卵巢癌临床数据集，采用分层十折交叉验证，并以Wilcoxon符号秩检验和Friedman检验判断显著性。
分类器用三条不同核长的一维卷积分支并行提取标志物模式，再由注意力模块给特征通道分配权重。 单尺度一维卷积只在一个感受野上看标志物序列，难以同时覆盖局部波动和较长的标志物间关系。 核长取3、5、7，配合批归一化、残差连接和全局平均池化，在分层十折交叉验证下报告准确率93.35%、精确率93.18%、召回率94.25%、F1为93.71%。
启示与展望
结果建立在公开Kaggle卵巢癌临床数据集的二次分析上，输入是年龄、绝经状态、CA125、HE4、CA19-9、CEA等血清标志物与血常规、生化指标组成的结构化数值表，任务是区分卵巢癌与非癌的二分类。评估采用分层十折交叉验证，并报告准确率、精确率、召回率、F1、ROC-AUC等指标。SHAP与LIME给出全局和单例解释，SHAP排序中CA125居首，其后为HE4、年龄、CA19-9、BMI和绝经状态。适用读者是关注临床标志物建模与可解释AI的研究者和工程师。
训练与验证准确率曲线之间存在明显差距，原文将其归因于临床数据集相对较小且不平衡，并提示存在过拟合风险。部分指标在不同图表中的数值并不完全一致，例如多尺度中间模型的准确率在消融部分写作76.13%、在对比部分写作69.63%。所有结果来自单一公开数据集的二次分析，尚未在独立或多中心队列上验证。