骆轶姝， 邵圆圆， 陈德华

(东华大学 计算机科学与技术学院，上海 201620)

随着人工智能和大数据技术的发展，医疗模式逐渐从以治疗为主转变为以预测为主。脑卒中又称“中风”，是一种急性脑血管疾病，具有发病率、致残率、死亡率和复发率高的特点。未来5年里，相比心脏病、糖尿病等慢性疾病，脑卒中疾病在我国将以较快速度持续增长[1]。文献[2]研究表明，约94%的脑卒中发病因素都是可控的，根据患者当前生理状态及早对患病风险做出预判并加以预防，将极大地降低患者脑卒中发病率。

近年来，深度学习在缺血性脑卒中疾病预测研究中受到广泛关注。Hochreiter等[3]提出LSTM(long short-term memory)模型，增加长期依赖时序特征输入的学习模型，Graves等[4]在此基础上综合后向特征计算，提出BiLSTM(bi-directional long short-term memory)模型。基于这类深度学习模型的建立，姚春晓[5]构建了具有时序性的多层LSTM作为脑血管疾病预测模型。Chantamit等[6]参考国际疾病分类标准，构建LSTM循环神经网络模型对中风进行分类预测，将LSTM作为隐藏单元对数据特征信息进行挖掘，并利用自循环输出结果实现中风的分类预测。安莹等[7]提出心血管风险预测模型(risk prediction model for cardiovascular, RPMC)，综合考虑多种临床数据的融合学习，实现BiLSTM对电子病历数据的挖掘。Ma等[8]借助Attention机制增加模型的可解释性，实现利用电子病历数据对患者未来健康的预测。

上述研究为心脑血管疾病预测问题提供解决方法，但脑卒中疾病中急性缺血性脑卒占70%左右[9]，发病机制不同，选取疾病预判检查指标存在差异。因此，针对缺血性脑卒中的年卒中风险问题，将疾病辅助预测视为特征分类问题，建立深度学习预测模型。……