11月1日，我校公共衛(wèi)生學(xué)院張巖波教授團隊在計算機領(lǐng)域權(quán)威期刊Engineering Applications of Artificial Intelligence（中國科學(xué)院一區(qū)Top期刊，IF=8.0）發(fā)表最新研究成果《Multi-label learning research on joint ensemble strategies for predicting adverse prognosis in patients with coronary heart disease》。公共衛(wèi)生學(xué)院流行病與衛(wèi)生統(tǒng)計學(xué)科青年教師楊弘為論文第一作者，張巖波教授為主通訊作者。

在冠心病預(yù)后研究領(lǐng)域，主要不良心血管事件（MACE）作為核心復(fù)合終點指標(biāo)，但以單一結(jié)局建模的單標(biāo)簽學(xué)習(xí)“管中窺豹”，樣本產(chǎn)生偏倚，忽略了結(jié)局間的復(fù)雜聯(lián)系，預(yù)測性能降低。多標(biāo)簽學(xué)習(xí)（Multi-label learning）可同時對多個結(jié)局進行預(yù)測，但復(fù)合事件高度關(guān)聯(lián)給數(shù)據(jù)分析帶來極大挑戰(zhàn)。本研究創(chuàng)新性構(gòu)建融合多標(biāo)簽數(shù)據(jù)特征選擇、集成模型構(gòu)建與可解釋性設(shè)計的多標(biāo)簽學(xué)習(xí)框架，為同時具有多個復(fù)雜結(jié)局的心血管疾病預(yù)后研究提供了解決思路，有力助推冠心病預(yù)后評估向精準(zhǔn)化、個體化方向縱深發(fā)展。

該研究提出動態(tài)加權(quán)多標(biāo)簽集成特征選擇算法（DWML-EFS）與多標(biāo)簽線性加權(quán)堆疊集成算法（MLLWSE）。在提升特征選擇效率的同時可以精準(zhǔn)捕捉基分類器間的相互依賴關(guān)系，充分利用標(biāo)簽關(guān)聯(lián)性提升預(yù)測效果。

為驗證框架有效性，研究團隊在公共數(shù)據(jù)集與真實世界冠心病數(shù)據(jù)中開展對比實驗。結(jié)果顯示，該創(chuàng)新框架的預(yù)測性能顯著優(yōu)于當(dāng)前主流方法，展現(xiàn)出優(yōu)異實用性與可靠性，提供的在線預(yù)測工具為臨床決策提供直觀參考。

張巖波教授團隊在多項國家自然科學(xué)基金（82574211、82173631、81872714）等項目的持續(xù)資助下，深耕冠心病等復(fù)雜心血管疾病的預(yù)后評估、多維度風(fēng)險預(yù)測及臨床數(shù)據(jù)建模研究，為高維異質(zhì)性臨床數(shù)據(jù)的深度解析提供創(chuàng)新數(shù)據(jù)分析模式，為后續(xù)復(fù)雜疾病隊列的預(yù)測模型構(gòu)建與臨床轉(zhuǎn)化提供重要思路借鑒。

（圖文/楊弘）