一种基于记忆关联多信息可靠融合的疾病分类方法

本发明提出了一种基于记忆关联多信息可靠融合的疾病分类方法，旨在解决现有多模态模型在医疗诊断中的不可靠性和缺乏可解释性的问题。该方法利用DNA甲基化、mRNA表达和miRNA表达三种模态信息，通过构建记忆模块和可靠融合模块实现分类网络。记忆模块包含独立特征编码器，提取模态潜在特征并进行存储，基于存储模式评估模态信息的可靠性。可靠融合模块通过生成式对抗网络实现模态间的循环一致性，生成具有多模态特性的联合表示作为疾病分类的依据。在训练过程中，利用简化的霍普菲尔德能量衡量模态置信度，从而优化模态融合，确保深层特征的有效交互。该方法在疾病分类任务中表现出色，具有高可信度和可解释性，推动了多模态学习在医疗领域的应用。