摘要目的:构建改进长短期记忆(long short-term memory,LSTM)网络模型,以实现女性压力性尿失禁(stress urinary incontinence,SUI)的辅助诊断.方法:以LSTM网络为基准模型,引入交叉注意力(cross-attention,CA)和逻辑回归(logistic regression,LR)构建包括特征提取模块、特征融合模块和任务输出模块的CL-LSTM模型.首先,利用CA模块实现盆底表面肌电图(surface electromyography,sEMG)信号与盆底压力信号的跨模态交互,再通过LSTM网络从双模态时序信号中提取全局时序特征,然后通过LR对从2类信号中提取的峰值、均值、变异系数及耐力比等统计特征进行统计建模得到SUI先验概率;其次,将LSTM网络的全局时序特征向量与LR输出的SUI概率进行拼接,并输入多层感知机进行非线性映射;最后,对多层感知机输出执行概率归一化,得到SUI与健康对照的判定结果.为评估CL-LSTM模型在女性SUI辅助诊断任务中的性能,与LR、支持向量机以及LSTM网络模型进行比较,并进行可解释性分析和特征重要性分析.结果:CL-LSTM模型的准确率为87.50%、敏感度为85.71%、特异度为88.89%、AUC为0.964,均优于LR、支持向量机和LSTM网络模型.可解释性分析结果表明,CL-LSTM模型在快肌阶段主要关注sEMG信号的瞬时峰值,而在耐力阶段更多关注压力信号的低频波动和平稳平台.特征重要性分析结果表明,慢肌阶段的均值与肌电变异性权重最高,快肌阶段的最大值权重次之,耐力阶段的平均值权重亦较大.结论:CL-LSTM模型在女性SUI辅助诊断中具有较高的准确率与AUC,并具备一定可解释性,在门诊筛查及随访疗效评估场景中具有应用潜力.