FSDBCClassifier: 开源项目

精准医疗是"人工智能+"行动在医疗领域的核心落地场景。多组学肿瘤分型在真实临床中面临极端小样本与超高维特征的双重制约：本研究所用 TCGA 双组学队列仅含 784 例配对样本，RNA 表达与 DNA 甲基化联合特征维度高达 7000 维，传统深度模型在此条件下极易过拟合，难以满足临床可靠性要求。本研究针对该问题立项，通过剖析 ICLR 2025 前沿多模态框架（MAMC、MVP-VAE），归纳出其在稀缺样本下的三大方法论缺陷：单一隐空间导致特征耦合混叠，强制早期对齐折损组学特异性，对称式全局融合引发信息对冲。在此基础上，本研究提出面向稀缺样本条件的双组学乳腺癌亚型分类架构，通过 vMF 超球面正交约束、组学内监督对比学习、非对称交叉注意力与动态门控三大机制重构多模态融合的底层逻辑，为极端样本分布下的肿瘤精准分型提供高临床可靠性的算法范式，支撑个体化靶向治疗方案设计。

本项目是面向稀缺样本条件的双组学乳腺癌亚型分类系统，包含以下功能模块：
（1）TCGA 数据工程管线。解析 TCGA-BRCA 原始数据，包括 RNA-seq RSEM 归一化表达、甲基化芯片 Beta 值与临床数据；完成同一患者多样本优先级配对、缺失值填充与高方差特征筛选，保留 2000 个基因与 5000 个 CpG 探针；针对数百 MB 级甲基化矩阵采用分块读取与堆维护 Top-K 高方差探针，并通过 memmap 内存映射与本地缓存降低加载开销。
（2）vMF 超球面编码器。将 RNA 表达与 DNA 甲基化数据分别映射为 von Mises-Fisher 分布的方向与集中度参数，配合槽位正交损失实现隐空间特征解耦。
（3）非对称交叉注意力融合。在原始特征与编码表征之间建立跨模态注意力，配合可学习动态门控完成软融合，替代对称式拼接。
（4）两阶段训练管线。第一阶段进行无监督正交预训练（80 个 epoch，每 5 个 epoch 保存快照）；第二阶段冻结编码器，仅训练融合模块与分类头；采用类频率反比加权与标签平滑交叉熵缓解类别不平衡。

本人作为项目核心支柱，负责项目统筹与人员分工，并独立开发全部核心算法，包括 vMF 超球面编码器与槽位正交损失、非对称交叉注意力动态门控融合、两阶段训练管线与评估框架。

技术栈：Python 3 + PyTorch，基于 CUDA GPU 训练；数据处理采用 NumPy、pandas 与 scikit-learn；环境通过 conda 管理；数据来源为 TCGA-BRCA 公开数据集。

实现亮点与难点：
（1）vMF 超球面正交约束。以 64 个槽位向量的 Gram 矩阵偏离单位阵的程度构造损失，在超球面上实现高维特征解耦，针对 MAMC 直向量空间与 MVP-VAE 各向同性高斯分布存在的语义混叠问题。
（2）非对称交叉注意力。原始特征对编码表征的跨模态注意力配合可学习门控软融合，替代对称拼接，缓解信息对冲。
（3）抗过拟合设计。针对 784 样本、7000 维特征的极端小样本场景，采用类频率反比加权、标签平滑、梯度裁剪与两阶段冻结训练。
（4）大数据工程。数百 MB 甲基化矩阵分块读取，堆维护 Top-K 高方差探针，memmap 映射与缓存校验。

已开源至 https://github.com/yharim-io/FSDBCClassifier/