海军军医大学卫生勤务学系军事卫生统计学教研室(200433) 武胜勇 何 倩 郭轶斌 吴 骋

世界卫生组织统计表明，目前脑卒中已在全球死亡原因中跃升至第二位[1]。据美国心脏协会(American Heart Association，AHA)统计，在美国，脑卒中是死亡的第五大原因，每年有79.5万美国人经历一次新的或复发性脑卒中[2]。而在中国，脑血管疾病已成为排名第三的死亡原因，对脑卒中防治的重要性已成为业内共识[3]。脑卒中发病的原因涉及先天遗传因素、后天影响因素[4]等，同时也受诸多不可控事件的影响，故其发病过程具有较大的异质性[5]。因此，迫切需要在脑卒中的预防和治疗过程中，通过简化医疗操作过程和改进诊疗技术来解决其治疗过程中产生的诸多复杂问题，降低不断上升的医疗成本[6-7]。

近年来随着生物医学研究的发展，对于脑卒中的研究日益深入，在基于“组学”数据[8-9]、实时风险预测等方面的研究对统计学工具的要求不断提高。传统统计学方法对这些高维、海量、结构复杂的大数据集分析效果并不理想，同时面对真实世界中取样异质性低、缺失值多、复杂程度高等问题，也难以找到合适的处理方式[10]。机器学习(machine learning，ML)主要研究如何使计算机通过实验从数据中学习，是预测分析的一项主要内容[11]，作为传统统计学方法的补充，目前医学研究中采用机器学习的趋势日益明显。

围绕机器学习在脑卒中研究方面的应用，本文综述了支持向量机、随机森林及深度学习方法，描述了其主要思想，分析了其优点和不足，以期对机器学习未来在脑卒中患者诊疗中的应用起到一定助力作用。……