冠状动脉疾病(CAD)一直是全球发病率和死亡率的主要原因，而现有诊断方法往往只能在疾病晚期阶段检测到该病。血浆细胞因子作为炎症的主要介导因素，在非侵入性早期诊断方面具有潜力，但由于其维度极高且类别不平衡，显著增加了分析难度。本文假设可以使用混合深度学习架构，将带梯度惩罚的Wasserstein生成对抗网络(WGAN-GP)与基于Transformer的预测器相结合，前者用于增强合成数据，后者用于基于血浆细胞因子样本预测CAD。研究分析了1,040名患者(390名CAD患者和650名对照组)的样本，采用45重ELISA检测法，从中选取了36种生物学相关的细胞因子。为确保方法学的严谨性，预处理、特征选择和合成数据生成步骤均在交叉验证折叠中进行，以避免数据泄露。该框架的分析采用分层10折交叉验证和独立的外部验证队列进行。该模型达到了平均准确率0.93±0.02(95%置信区间：0.91-0.95)，精确度0.88±0.02，召回率0.99±0.01，F1分数0.93±0.01，以及AUC-ROC值0.98±0.01。外部验证结果显示准确率为97%，AUC-ROC值为0.996。Jensen-Shannon散度支持了合成数据分析，重点关注MAE、RMSE以及实际细胞因子分布与生成分布之间的高保真度。与基线模型(如逻辑回归和传统机器学习方法)相比，这种比较分析取得了显著改进。决策曲线分析显示其更具临床实用性，意味着在阈值概率下提供了更好的净收益。然而，该研究也存在一些局限性，如队列多样性不足、缺乏大规模共病人群(例如糖尿病患者)，以及仅使用细胞因子特征而未纳入临床变量。本研究表明，所提出的GAN-Transformer模型是一种强大、可解释且具有临床意义的工具，可用于通过非侵入性生物标志物进行早期CAD检测。
【全文结束】
