我校张岩波教授团队在一区Top期刊《Engineering Applications of Artificial Intelligence》发表冠心病预后多标签学习框架新成果

11月1日，我校公共卫生学院张岩波教授团队在计算机领域权威期刊Engineering Applications of Artificial Intelligence（中国科学院一区Top期刊，IF=8.0）发表最新研究成果《Multi-label learning research on joint ensemble strategies for predicting adverse prognosis in patients with coronary heart disease》。公共卫生学院流行病与卫生统计学科青年教师杨弘为论文第一作者，张岩波教授为主通讯作者。

在冠心病预后研究领域，主要不良心血管事件（MACE）作为核心复合终点指标，但以单一结局建模的单标签学习“管中窥豹”，样本产生偏倚，忽略了结局间的复杂联系，预测性能降低。多标签学习（Multi-label learning）可同时对多个结局进行预测，但复合事件高度关联给数据分析带来极大挑战。本研究创新性构建融合多标签数据特征选择、集成模型构建与可解释性设计的多标签学习框架，为同时具有多个复杂结局的心血管疾病预后研究提供了解决思路，有力助推冠心病预后评估向精准化、个体化方向纵深发展。

该研究提出动态加权多标签集成特征选择算法（DWML-EFS）与多标签线性加权堆叠集成算法（MLLWSE）。在提升特征选择效率的同时可以精准捕捉基分类器间的相互依赖关系，充分利用标签关联性提升预测效果。

为验证框架有效性，研究团队在公共数据集与真实世界冠心病数据中开展对比实验。结果显示，该创新框架的预测性能显著优于当前主流方法，展现出优异实用性与可靠性，提供的在线预测工具为临床决策提供直观参考。

张岩波教授团队在多项国家自然科学基金（82574211、82173631、81872714）等项目的持续资助下，深耕冠心病等复杂心血管疾病的预后评估、多维度风险预测及临床数据建模研究，为高维异质性临床数据的深度解析提供创新数据分析模式，为后续复杂疾病队列的预测模型构建与临床转化提供重要思路借鉴。

（图文/杨弘）