Transformer-KAN扩增预测网络

终点误差仅1.87

首次结合Transformer与Kolmogorov-Arnold网络，实现对核酸扩增实验数据的高精度预测与类型识别。

Canfeng, Liu · 孙浩 · 东辉

Journal of Graphics 2024

参数信息

终点值误差

1.87

R²系数

0.98

临床测试数据量

911

对比模型数量

10

技术优势

预测更准

模型在扩增趋势和终点值预测上均表现出高精度，终点值误差仅1.87，R²达0.98。

能区分样本类型

模型能够有效识别不同样本类型的实验数据，减少人工判断需求。

临床泛化能力强

在911条临床数据上测试，性能优于其他10种深度学习模型，具备良好的泛化能力。

应用场景

• 核酸扩增预测：为扩增实验提供精确终点预测，辅助结果判读。
• 临床数据分析：处理大规模临床时间序列数据，提升分析效率与准确性。
• 即时诊断：实现即时诊断中的快速准确预测，支持疫情等场景下的快速响应。