Volume 2,Issue 1
基于多模型的胎儿染色体异常判定的探究
本研究针对女胎染色体异常判定中模型易受性别因素干扰、泛化性能不足的问题，构建多模型分析框架。首先对比LDA、QDA、GNB 模型的决策边界判定效果。然后分析DNN、改进型MLP 及融合注意力机制的Att-MLP 模型的阈值判定结果。最后创新性引入神经网络迁移学习方法，将非线性注意力机制与迁移学习结合。研究表明，LDA 与Att-MLP 模型准确率均超90%，且Att-MLP 模型特异度达97.25%，有效避免了误判问题。迁移学习虽效果有限，但验证了性别间异常特征的可迁移潜力，为后续研究提供了方向。
[1] 蒋丽雅, 卢劭侃, 杜佳恩, 等. 无创产前检测技术的发展与应用[J]. 临床医学研究与实践,2025,10(23):191-194.DOI:10.19347/j.cnki.2096-1413.202523047.
[2] 于丹丹, 李奉瑾, 姚欣雨, 等.NIPT 在不同慎用人群胎儿常见染色体非整倍体异常检测中的效能分析[J]. 中国计划生育和妇产科,2025,17(03):72-76+82.
[3] 鞠爱萍, 孟祥荣, 覃燕龄, 等. 无创产前检测在筛查胎儿染色体拷贝数变异中的应用价值[J]. 实用心电与临床诊疗,2025,34(05):665-671.DOI:10.13308/j.issn.2097-5716.2025.05.008.
[4]Alonso E , Beristain A , Burgos J ,et al.Comparison of Machine Learning Algorithms to Predict Down Syndrome During the Screening of the First Trimester of Pregnancy[J].Applied Sciences (2076-3417), 2025, 15(10).DOI:10.3390/app15105401.
[5] 车志勇. 基于线性判别分析（FDA）的迁移学习方法[D]. 广东工业大学,2019.DOI:10.27029/d.cnki.ggdgu.2019.000284.
[6] 林宏赡. 基于朴素贝叶斯、线性判别、二次判别分类算法的选股实证研究[D]. 山东大学,2018.
[7] 赵文海. 基于自注意力机制和互通双流MLP 的点击率预估模型研究[D]. 电子科技大学,2025.DOI:10.27005/d.cnki.gdzku.2025.004745.
[8] 王柯惟. 基于深度学习的染色体异常检测研究[D]. 中南大学,2023.DOI:10.27661/d.cnki.gzhnu.2023.001790.
[9] 雷雨佳. 基于卷积神经网络的染色体异常检测[D]. 湖南师范大学,2020.DOI:10.27137/d.cnki.ghusu.2020.001208.
[10] 赵秋博. 基于Transformer 特征关联融合小目标检测算法研究[D]. 西安电子科技大学,2024.DOI:10.27389/d.cnki.gxadu.2024.002573.