学位论文简介

癌症是全球致死率最高的疾病之一，其早期、精确诊断对提高患者生存率和推动精准肿瘤学具有重要意义。然而，面向高维、异构的生物医学数据，现有人工智能（AI）诊断方法仍存在三方面突出问题：深度神经网络（DNN）训练易陷入局部最优、对超参数敏感；多组学模型忽视基因—通路等生物学先验，可解释性不足；多数模型为“黑盒”，难以满足临床透明性要求。本文围绕“基于新型人工智能技术的癌症精确诊断”主题，从优化训练、生物学引导的多模态建模、可解释集成三个层面展开系统研究，主要创新性研究成果如下：

（1）针对乳腺癌深度学习诊断中超参数寻优困难、训练易陷入局部最优的问题，提出了一种梯度多元宇宙优化器（Gradient Multi-Verse Optimizer, GMVO）与深度神经网络相融合的 GMVO-DNN 模型。该方法将梯度方向估计机制嵌入 MVO 的“白洞-黑洞-虫洞”位置更新规则，实现全局探索与局部利用的协同；在 WBCD、WDBC 等公开乳腺癌基准上的实验和 Wilcoxon 符号秩检验表明，所提模型在准确率、稳定性和收敛速度方面均优于现有主流方法。

（2）针对多组学癌症分类中数据异构性强、生物通路信息利用不足的问题，提出了一种融合图神经网络与 Transformer 的混合模型（Hybrid GNN-Transformer），并设计了基于已知致癌通路驱动的可解释特征选择机制。模型以基因、甲基化位点和通路构建异构生物图，结合 Haar 小波-粒子群压缩与通路引导注意力，在 TCGA 多组学数据上完成 23 类癌症识别和 5 种乳腺癌亚型分类，分类性能与生物学可解释性同步提升。

（3）针对单一模型预测置信度低、临床可解释性不足的问题，提出了基于注意力加权集成与 SHAP 的 AWE-SHAP 框架。该框架以可学习的注意力机制实现端到端特征重要性建模，结合 DNN、SVM、随机森林、XGBoost 等基学习器进行堆叠集成，并通过“注意力权重 + SHAP + LIME”三方互证提供单样本与全局两个层面的解释，为 AI 辅助癌症诊断提供透明、可信的决策支持。

主要学术成果

[1] Yassine El Kati, Shu-Lin Wang, Mundher Mohammed Taresh, Talal Ahmed Ali Ali. Enhancing breast cancer diagnosis using deep learning and gradient multi-verse optimizer: a robust biomedical data analysis approach [J]. PeerJ Computer Science, 2024, 10: e2578. DOI: 10.7717/peerj-cs.2578. (SCI，第一作者)

[2] Yassine El Kati, Shu-Lin Wang, Talal Ahmed Ali Ali. Hybrid GNN-Transformer model for multi-omic cancer classification with interpretable pathway-driven feature selection [J]. PeerJ Computer Science, 2026, 12: e3415. DOI: 10.7717/peerj-cs.3415. (SCI，第一作者)