赵 慧， 容芷君*， 许 莹， 但斌斌， 乔 瀚

(1.武汉科技大学工业工程系， 武汉 430081； 2.武汉市第五医院， 武汉 430050)

中国高血压患者人数已达2.45亿人[1]。高血压合并症是患者血压控制不佳所引发的一系列疾病，其存在严重威胁患者的健康状况。疾病的复杂性和患者个体特征的多样性增加了合并症诊断的难度，因此从医学角度对并发症进行预测十分困难，以机器学习方法为基础的疾病预测模型通过为医生提供临床决策支持[2]，可以提高合并症的早期检出效率。常见的疾病预测模型大多针对单一疾病进行分类，然而在实际临床场景中患者可能患有多种合并症。多标签分类是指一个样本同时属于多个标签，合并症预测是典型的多标签分类问题。

多标签分类模型主要分为问题转换和算法适应两大类[3]，问题转换方法是基于一定的策略将多标签问题拆解为多个单标签问题，通过逐个学习标签来解决多标签问题，如Ji等[4]提出了一种基于lightGBM(light gradient boosting machine)的疾病预测模型，针对高血压的多种合并症，采用增强策略集成多棵决策树，将多标签分类问题转化为了二分类问题，问题转换方法简单易行，然而单独对标签建模容易导致一些有用的跨类标签信息丢失。算法适应则是对常用的单标签分类算法进行改进以解决多标签分类问题，如Guo等[5]使用ML-KNN(multi-labelk-nearest neighbor) 、RankSVM(ranking support vector machine)等多标签算法构建了疾病预测模型，然而这类算法假设疾病之间相互独立，未考虑标签之间的相关性，存在分类准确性不高的问题。……