腦卒中臨床事件預(yù)測模型的研究進展

[摘要]"海量醫(yī)學(xué)數(shù)據(jù)的積累和人工智能技術(shù)的迅猛發(fā)展為構(gòu)建精準(zhǔn)的腦卒中臨床事件預(yù)測模型帶來可能。本文綜述腦卒中臨床預(yù)測模型的研究進展，分析不同模型在數(shù)據(jù)來源、算法選擇及性能方面的優(yōu)缺點，同時通過總結(jié)臨床預(yù)測模型在實際醫(yī)療場景中的應(yīng)用，全面呈現(xiàn)當(dāng)前該領(lǐng)域的研究現(xiàn)狀，并提出構(gòu)建腦卒中臨床事件預(yù)測模型面臨的挑戰(zhàn)，以期為開發(fā)更優(yōu)化、更具臨床實用性的預(yù)測模型提供可靠參考。

[關(guān)鍵詞]"腦卒中；預(yù)測模型；機器學(xué)習(xí)；深度學(xué)習(xí)

[中圖分類號]"R319""""""[文獻標(biāo)識碼]"A""""""[DOI]"10.3969/j.issn.1673-9701.2025.16.023

中國腦卒中發(fā)病人數(shù)約占全球的1/3，隨著人口老齡化的加劇與人們生活方式的改變，腦卒中患病人數(shù)持續(xù)增加[1]。傳統(tǒng)的腦卒中風(fēng)險評估主要依賴于臨床醫(yī)生的經(jīng)驗和簡單的生理指標(biāo)，這些方法往往缺乏準(zhǔn)確性和全面性，且存在滯后性，難以滿足精準(zhǔn)醫(yī)療的需求。近年來，人工智能與大數(shù)據(jù)技術(shù)快速發(fā)展；通過數(shù)據(jù)挖掘、機器學(xué)習(xí)及深度學(xué)習(xí)，可實現(xiàn)對海量醫(yī)學(xué)數(shù)據(jù)的深度分析和挖掘，為腦卒中的基礎(chǔ)研究提供新的視角和方法[2-3]。

1""腦卒中臨床事件預(yù)測模型的構(gòu)建方法

1.1""早期基于傳統(tǒng)統(tǒng)計學(xué)的模型

在早期腦卒中臨床事件預(yù)測模型研究中，傳統(tǒng)統(tǒng)計方法得到廣泛應(yīng)用。這類模型主要包括回歸模型、分類模型及風(fēng)險評分系統(tǒng)等，通過收集患者的臨床信息，如年齡、病史、實驗室檢查結(jié)果等，運用統(tǒng)計學(xué)方法進行分析，建立預(yù)測模型。

在傳統(tǒng)統(tǒng)計模型中，改良的弗明漢卒中量表（Framingham"stroke"profile，F(xiàn)SP）模型利用Cox比例風(fēng)險回歸模型，基于分析長期隨訪研究得到的大量數(shù)據(jù)，確定影響腦卒中發(fā)病風(fēng)險的因素，建立風(fēng)險評分與腦卒中發(fā)病率之間的數(shù)學(xué)模型。楊勝男等[4]使用FSP進行發(fā)病風(fēng)險等級分組，通過多分類Logistic回歸模型分析，定量評估顱內(nèi)動脈粥樣硬化性狹窄對腦卒中發(fā)病的影響程度。有研究收集患者的年齡及相關(guān)臨床信息，構(gòu)建基于Logistic回歸的列線圖模型，預(yù)測腦卒中發(fā)病情況與危險因素的關(guān)聯(lián)[5]。

隨著數(shù)據(jù)量的增加和對預(yù)測準(zhǔn)確性要求的提高，傳統(tǒng)統(tǒng)計模型的局限性逐漸顯現(xiàn)。傳統(tǒng)統(tǒng)計模型主要采用臨床數(shù)據(jù)與實驗室檢查結(jié)果，數(shù)據(jù)來源相對單一，通常僅使用患者的靜態(tài)信息，缺乏對治療過程中動態(tài)變化的考慮。在算法分析上，難以捕捉復(fù)雜的非線性關(guān)系和變量間的交互作用，預(yù)測準(zhǔn)確性相對較低。

1.2""基于機器學(xué)習(xí)的預(yù)測模型

機器學(xué)習(xí)算法可自動從大量數(shù)據(jù)中學(xué)習(xí)復(fù)雜的模式和規(guī)律，無需事先假設(shè)數(shù)據(jù)的分布形式，對非線性關(guān)系的建模能力更強。多個研究團隊將機器學(xué)習(xí)算法應(yīng)用于對腦卒中的診斷、恢復(fù)和預(yù)后風(fēng)險預(yù)測。王小曼等[6]構(gòu)建隨機森林（random"forest，RF）、支持向量機（support"vector"machine，SVM）、極端梯度提升（extreme"gradient"boosting，XGBoost）3種機器學(xué)習(xí)模型預(yù)測缺血性腦卒中患者院內(nèi)死亡風(fēng)險。另一項研究收集相關(guān)缺血性腦卒中患者的臨床資料，根據(jù)靜脈溶栓治療情況進行分組，以獨立預(yù)測因素建立Logistic回歸、K-近鄰、SVM、RF"4種機器學(xué)習(xí)模型預(yù)測早期神經(jīng)功能惡化風(fēng)險，整體預(yù)測能力較優(yōu)[7]。

部分研究對比統(tǒng)計模型與機器學(xué)習(xí)算法的預(yù)測性能。在相同數(shù)據(jù)集中同時使用FSP等傳統(tǒng)統(tǒng)計預(yù)測模型及SVM、RF等機器學(xué)習(xí)模型，對比實驗表明機器學(xué)習(xí)在腦卒中臨床預(yù)測任務(wù)中展現(xiàn)出比傳統(tǒng)統(tǒng)計模型更好的性能[2]。另一項研究對比機器學(xué)習(xí)模型與統(tǒng)計回歸模型評估腦卒中患者神經(jīng)功能缺失程度的性能，結(jié)果顯示機器學(xué)習(xí)模型的性能全面優(yōu)于傳統(tǒng)統(tǒng)計回歸模型[8]。

然而，機器學(xué)習(xí)算法也存在一些不足，如模型可解釋性較差，難以直觀理解模型的決策過程和各因素的作用機制[9]。這在一定程度上限制其在臨床中的廣泛應(yīng)用，醫(yī)生往往更傾向于借助可解釋性強的模型進行診斷和決策。

1.3""基于深度學(xué)習(xí)的預(yù)測模型

深度學(xué)習(xí)是基于多層神經(jīng)網(wǎng)絡(luò)自動學(xué)習(xí)數(shù)據(jù)特征以解決復(fù)雜問題的學(xué)習(xí)方法。近年來深度學(xué)習(xí)在腦卒中預(yù)測領(lǐng)域取得突破性進展，其強大的特征提取能力和復(fù)雜模式識別潛力，在醫(yī)學(xué)影像分析、時序數(shù)據(jù)處理和多模態(tài)融合中展現(xiàn)出顯著優(yōu)勢[10]。

卷積神經(jīng)網(wǎng)絡(luò)（convolutional"neural"networks，CNN）擅長處理圖像數(shù)據(jù)，可對腦卒中影像分析預(yù)測提供直觀依據(jù)。Mohapatra等[11]采集12h內(nèi)接受CT平掃的缺血性腦卒中患者的圖像信息，訓(xùn)練CNN模型定位平掃CT上不同區(qū)域早期梗死特征。結(jié)果顯示模型的平均曲線下面積（area"under"the"curve，AUC）大于0.70，該模型對梗死病變識別的準(zhǔn)確率達95.6%。循環(huán)神經(jīng)網(wǎng)絡(luò)及其變體長短期記憶網(wǎng)絡(luò)（long"short-term"memory，LSTM）在處理時間序列數(shù)據(jù)方面表現(xiàn)出色，可挖掘患者生命體征、病情發(fā)展等隨時間變化的規(guī)律，把握疾病動態(tài)發(fā)展趨勢。Yu等[12]利用LSTM在處理時間信號上的優(yōu)勢模擬源灌注加權(quán)磁共振成像信號的時間特征，并結(jié)合彌散加權(quán)成像（diffusion"weighted"imaging，DWI）預(yù)測急性腦卒中出血轉(zhuǎn)化的發(fā)生和程度，AUC達0.89。

1.4""基于多模態(tài)融合的混合模型

基于多模態(tài)融合的混合模型將來自不同模態(tài)的數(shù)據(jù)（如文本、圖像、語音、視頻等）利用深度學(xué)習(xí)算法和技術(shù)進行融合及建模，充分利用多模態(tài)數(shù)據(jù)的互補性和協(xié)同性，在構(gòu)建臨床事件預(yù)測模型中得到應(yīng)用[13]。除患者的臨床病史、影像資料、實驗室檢查結(jié)果等，有研究開始結(jié)合患者的面部、肢體動作等多模態(tài)數(shù)據(jù)進行腦卒中預(yù)測[14-15]。這些豐富的數(shù)據(jù)維度為全面捕捉腦卒中相關(guān)信息提供基礎(chǔ)，突破單一數(shù)據(jù)類型的局限，已在腦卒中預(yù)測任務(wù)中取得有效成果[16]。

Liu等[17]通過融合DWI和急性期臨床信息構(gòu)建深度學(xué)習(xí)模型預(yù)測急性缺血性腦卒中患者90d后改良Rankin量表（modified"Rankin"scale，MRS）評分。通過對比發(fā)現(xiàn)，與僅使用臨床信息或成像數(shù)據(jù)的模型相比，融合模型顯示出優(yōu)越的性能。Ma等[18]提出一種基于LSTM將時序和非時序臨床記錄與表格數(shù)據(jù)融合的模型，在腦卒中患者院內(nèi)死亡風(fēng)險和長時間住院預(yù)測兩項任務(wù)中的效果普遍優(yōu)于對比模型，AUC分別為0.848和0.938。此外，還有研究構(gòu)建基于不同模態(tài)磁共振影像的腦卒中最終梗死區(qū)預(yù)測模型，并引入統(tǒng)計學(xué)習(xí)的思想提高預(yù)測性能[19]。

多模態(tài)數(shù)據(jù)在腦卒中預(yù)測中展現(xiàn)出巨大潛力，可充分利用不同模態(tài)數(shù)據(jù)包含不同角度和層次的信息，融合后能更全面地描述對象，提高模型的穩(wěn)定性和可靠性。然而，數(shù)據(jù)融合過程中也面臨諸多挑戰(zhàn)，如模態(tài)缺失、如何有效整合不同類型的特征等，需要進一步研究和探索有效的解決方案[16]。

2""腦卒中臨床事件預(yù)測模型的實際應(yīng)用

2.1""在腦卒中患者預(yù)后預(yù)測中的應(yīng)用

腦卒中患者的功能結(jié)局對其生活質(zhì)量、家庭負擔(dān)及社會回歸能力影響深遠，準(zhǔn)確預(yù)測功能結(jié)局有助于臨床醫(yī)生進行康復(fù)治療，改善功能恢復(fù)情況。Liu等[20]利用融合平掃CT和急性期臨床數(shù)據(jù)的深度學(xué)習(xí)模型預(yù)測90d的MRS評分，平均絕對誤差僅為0.94，預(yù)測不良預(yù)后的AUC為0.91，優(yōu)于單純影像模型和單純臨床信息模型。Lee等[21]運用機器學(xué)習(xí)預(yù)測急性缺血性腦卒中后認知障礙（post-stroke"cognitive"impairment，PSCI），明確皮質(zhì)梗死、內(nèi)側(cè)顳葉萎縮等關(guān)鍵預(yù)測因素，為預(yù)測PSCI提供新方法，助力臨床識別高危患者，開展早期干預(yù)。

腦卒中的高復(fù)發(fā)率一直困擾著醫(yī)護人員和患者。王玥等[22]建立Cox風(fēng)險預(yù)測模型預(yù)測2年內(nèi)腦卒中復(fù)發(fā)風(fēng)險，并確定相關(guān)獨立危險因素，其模型一致性指數(shù)為0.83，為及時預(yù)測腦卒中的復(fù)發(fā)概率、確定高危人群提供有效參考。沈展等[23]使用RF、XGboost、Logistic回歸等機器學(xué)習(xí)算法構(gòu)建腦卒中復(fù)發(fā)預(yù)測模型，XGboost模型的AUC達0.86。關(guān)于腦卒中患者死亡風(fēng)險的預(yù)測，羅梟等[24]構(gòu)建可解釋XGboost模型預(yù)測重癥缺血性腦卒中患者1年內(nèi)死亡風(fēng)險，AUC為0.857，并明確年齡、序貫器官衰竭評估評分等為重要預(yù)測變量。

2.2""在腦卒中診斷中的應(yīng)用

基于腦卒中高發(fā)病率的特點，及時準(zhǔn)確的診斷對患者治療和預(yù)后至關(guān)重要。腦卒中臨床預(yù)測模型主要應(yīng)用在早期診斷、病情評估和卒中類別鑒定[25]。Ou等[26]利用多模態(tài)深度學(xué)習(xí)模型，結(jié)合面部、肢體動作及語音特征分析，同時引入動作特征對比學(xué)習(xí)，顯著提升腦卒中早期識別的準(zhǔn)確性和敏感度，AUC為0.80。黃莉等[27]收集急性腦卒中患者的臨床、影像等資料，通過最優(yōu)子集回歸和Logistic回歸建立風(fēng)險預(yù)測模型，其一致性指數(shù)達0.845，為PSCI的病情評估和早期干預(yù)提供參考。Garg等[28]利用機器學(xué)習(xí)與自然語言處理技術(shù)挖掘臨床文本數(shù)據(jù)，使用多種機器學(xué)習(xí)模型進行訓(xùn)練，實現(xiàn)缺血性腦卒中亞型自動分類，最優(yōu)模型的科恩卡帕系數(shù)達0.72。

3""腦卒中臨床事件預(yù)測模型研究的挑戰(zhàn)

目前越來越多的研究集中在利用機器學(xué)習(xí)、深度學(xué)習(xí)技術(shù)構(gòu)建預(yù)測模型，研究在取得重要成果的同時，仍面臨著諸多挑戰(zhàn)。

首先，構(gòu)建模型需要有大規(guī)模、高質(zhì)量的數(shù)據(jù)集。臨床數(shù)據(jù)涉及患者隱私，在收集、存儲和使用數(shù)據(jù)時需嚴(yán)格遵守法規(guī)，給數(shù)據(jù)獲取與共享帶來限制[29]。腦卒中患者多次住院可產(chǎn)生反映疾病進展的重要時序數(shù)據(jù)，但患者在多家不同的醫(yī)院和非住院期間的數(shù)據(jù)收集十分困難，且質(zhì)量難以保障。建設(shè)開放的、可獲取的、高質(zhì)量的、多模態(tài)患者數(shù)據(jù)集是模型構(gòu)建的重要挑戰(zhàn)。

其次，真實世界場景中患者將出現(xiàn)無法避免的、不確定的模態(tài)缺失問題，從而限制基于多模態(tài)融合預(yù)測模型的應(yīng)用。有研究針對特定模態(tài)缺失采用基于自編碼器和對抗生成網(wǎng)絡(luò)的模態(tài)補全方法，也有研究者利用對比學(xué)習(xí)、蒸餾學(xué)習(xí)技術(shù)融合缺失模態(tài)并保證模型的穩(wěn)健性能[30-32]?；诙嗄B(tài)數(shù)據(jù)構(gòu)建腦卒中臨床事件預(yù)測模型，數(shù)據(jù)融合技術(shù)除了要解決模態(tài)缺失的問題，還要解決多模態(tài)數(shù)據(jù)可能存在的較長時間跨度、時間間隔不等問題[33]。

再次，深度學(xué)習(xí)模型經(jīng)過復(fù)雜的非線性組合，其性能可與專家媲美，但醫(yī)生和患者或許并不清楚這些模型因何及如何做到這一點。模型的“黑箱”特性使模型和結(jié)果都難以被理解，從而降低這些模型的臨床適用性和接受度[9]。深度學(xué)習(xí)模型不依賴特征工程，使得目前常用的解釋性技術(shù)（如Shapley可加性解釋技術(shù)）并不適用。因此，通過融入臨床知識、多任務(wù)學(xué)習(xí)等提升深度學(xué)習(xí)模型的可解釋性，使之能夠在真實臨床實踐場景中進行“透明的”臨床事件預(yù)測，是構(gòu)建疾病輔助診療模型、促進模型落地的重要挑戰(zhàn)。

4""小結(jié)與展望

腦卒中臨床事件預(yù)測模型的研究已從傳統(tǒng)的統(tǒng)計方法到機器學(xué)習(xí)算法再到更為復(fù)雜的深度學(xué)習(xí)算法，從應(yīng)用單一模態(tài)數(shù)據(jù)發(fā)展到多模態(tài)數(shù)據(jù)融合，模型涉及的臨床應(yīng)用日益廣泛。盡管這些模型已取得長足進步，但仍面臨諸多挑戰(zhàn)。未來對如何充分應(yīng)用廣泛的多模態(tài)臨床數(shù)據(jù)構(gòu)建模型、如何利用患者的動態(tài)數(shù)據(jù)反映疾病進程、如何提升模型的可解釋性從而加速臨床應(yīng)用等方向的深入研究和探索，將進一步提升腦卒中臨床預(yù)測模型在早期診斷、疾病預(yù)后和個性化治療中的作用。

利益沖突：所有作者均聲明不存在利益沖突。

[參考文獻]

[1] 《中國卒中中心報告2022》編寫組，"王隴德."《中國卒中中心報告2022》概要[J]."中國腦血管病雜志，"2024，"21（8）："565–576.

[2] 楊爽."基于傳統(tǒng)模型和機器學(xué)習(xí)的腦卒中首發(fā)預(yù)測與評估[D]."重慶："西南大學(xué)，"2023.

[3] 劉柘君，"唐田，"譚天陽，"等."缺血性腦卒中模型研究進展[J]."中國藥物警戒，"2024，"21（12）："1393–1397，"1404.

[4] 楊勝男，"譚蘭."Framingham卒中量表評分與顱內(nèi)動脈粥樣硬化性狹窄關(guān)系[J]."青島大學(xué)學(xué)報（醫(yī)學(xué)版），nbsp;2023，"59（1）："109–112.

[5] 王倩雯，"詹樂昌，"歐陽雨婷，"等."恢復(fù)期腦卒中患者發(fā)生認知障礙的風(fēng)險預(yù)測模型構(gòu)建與評價[J]."中國康復(fù)醫(yī)學(xué)雜志，"2024，"39（12）："1810–1817.

[6] 王小曼，"游一鳴，"韓夢琦，"等."基于機器學(xué)習(xí)模型對缺血性腦卒中住院期間死亡風(fēng)險的預(yù)測[J]."現(xiàn)代預(yù)防醫(yī)學(xué)，"2024，"51（19）："3457–3462，"3482.

[7] 呂喆，"楊歡，"王耀輝，"等."基于機器學(xué)習(xí)的急性缺血性腦卒中靜脈溶栓后早期神經(jīng)功能惡化預(yù)測模型的建立與評價[J]."中華危重病急救醫(yī)學(xué)，"2023，"35（9）："945–950.

[8] 張穿洋，"朱文莉，"李曉冉，"等."急性腦卒中預(yù)后預(yù)測模型："機器學(xué)習(xí)與傳統(tǒng)回歸模型的比較[J]."中國CT和MRI雜志，"2023，"21（7）："24–26.

[9] BELTRAMIN"D，"LAMAS"E，"BOUSQUET"C."Ethical"issues"in"the"utilization"of"black"boxes"for"artificial"intelligence"in"medicine[J]."Stud"Health"Technol"Inform，"2022，"295："249–252.

[10] FENG"R，"BADGELEY"M，"MOCCO"J，"et"al."Deep"learning"guided"stroke"management："A"review"of"clinical"applications[J]."J"Neurointerv"Surg，"2018，"10（4）："358–362.

[11] MOHAPATRA"S，"LEE"T，"SAHOO"P"K，"et"al."Localization"of"early"infarction"on"non-contrast"CT"images"in"acute"ischemic"stroke"with"deep"learning"approach[J]."Sci"Rep，"2023，"13："19442.

[12] YU"Y，"PARSI"B，"SPEIER"W，"et"al."LSTM"network"for"prediction"of"hemorrhagic"transformation"in"acute"stroke[M]//OURSELIN"S，"JOSKOWICZ"L，"SABUNCU"M"R，"et"al."Medical"Image"Computing"and"Computer"Assisted"Intervention"–"MICCAI"2019."Berlin："Springer，"2019.

[13] 高浩."基于多模態(tài)數(shù)據(jù)融合的ICU患者風(fēng)險預(yù)測方法研究[D]."鄭州："鄭州大學(xué)，"2023.

[14] CAI"T，"NI"H，"YU"M，"et"al."DeepStroke："An"efficient"stroke"screening"framework"for"emergency"rooms"with"multimodal"adversarial"deep"learning[J]."Med"Image"Anal，"2022，"80："102522.

[15] LEE"T，"JEON"E"T，"JUNG"J"M，"et"al."Deep-learning-"based"stroke"screening"using"skeleton"data"from"neurological"examination"videos[J]."J"Pers"Med，"2022，"12（10）："1691.

[16] SHURRAB"S，"GUERRA-MANZANARES"A，"MAGID"A，"et"al."Multimodal"machine"learning"for"stroke"prognosis"and"diagnosis："A"systematic"review[J]."IEEE"J"Biomed"Health"Inform，"2024，"28（11）："6958–6973.

[17] LIU"Y，"YU"Y，"OUYANG"J，"et"al."Functional"outcome"prediction"in"acute"ischemic"stroke"using"a"fused"imaging"and"clinical"deep"learning"model[J]."Stroke，"2023，"54（9）："2316–2327.

[18] MA"M，"WANG"M，"GAO"B，"et"al."Research"on"multimodal"fusion"of"temporal"electronic"medical"records[J]."Bioengineering，"2024，"11（1）："94.

[19] 姜博源."基于多模態(tài)磁共振影像的腦卒中最終梗死區(qū)預(yù)測系統(tǒng)研究[D]."杭州："浙江大學(xué)，"2020.

[20] LIU"Y，"YU"Y，"OUYANG"J，"et"al."Prediction"of"ischemic"stroke"functional"outcomes"from"acute-phase"noncontrast"CT"and"clinical"information[J]."Radiology，"2024，"313（1）："e240137.

[21] LEE"M，"YEO"N，"AHN"H，"et"al."Prediction"of"post-stroke"cognitive"impairment"after"acute"ischemic"stroke"using"machine"learning[J]."Alz"Res"Ther，"2023，"15（1）："147.

[22] 王玥，"侯曉雯，"陳會生，"等."基于顱內(nèi)斑塊影像組學(xué)聯(lián)合傳統(tǒng)標(biāo)志物預(yù)測缺血性腦卒中復(fù)發(fā)風(fēng)險[J]."磁共振成像，"2023，"14（8）："1–9.

[23] 沈展，"卞曉波，"黃鶯，"等."利用機器學(xué)習(xí)算法初步構(gòu)建基于常規(guī)檢驗項目的腦卒中復(fù)發(fā)預(yù)測模型[J]."檢驗醫(yī)學(xué)，"2024，"39（12）："1190–1195.

[24] 羅梟，"程義，"吳騁，"等."預(yù)測重癥缺血性腦卒中死亡風(fēng)險的模型："基于內(nèi)在可解釋性機器學(xué)習(xí)方法[J]."南方醫(yī)科大學(xué)學(xué)報，"2023，"43（7）："1241–1247.

[25] DAIDONE"M，"FERRANTELLI"S，"TUTTOLOMONDO"A."Machine"learning"applications"in"stroke"medicine："Advancements，"challenges，"and"future"prospectives[J]."Neural"Regen"Res，"2024，"19（4）："769–773.

[26] OU"Z，"WANG"H，"ZHANG"B，"et"al."Early"identification"of"stroke"through"deep"learning"with"multi-modal"human"speech"and"movement"data[J]."Neural"Regen"Res，nbsp;2025，"20（1）："234–241.

[27] 黃莉，"區(qū)騰飛，"楊潔，"等."腦卒中后認知障礙預(yù)測模型的構(gòu)建與驗證[J]."西安交通大學(xué)學(xué)報醫(yī)學(xué)版，"2023，"44（2）："214–220.

[28] GARG"R，"OH"E，"NAIDECH"A，"et"al."Automating"ischemic"stroke"subtype"classification"using"machine"learning"and"natural"language"processing[J]."J"Stroke"Cerebrovasc"Dis，"2019，"28（7）："2045–2051.

[29] Price"W"N，"Cohen"I"G."Privacy"in"the"age"of"medical"big"data[J]."Nature"Medicine，"2019，"25（1）："37–43.

[30] Zhou"T，"Canu"S，"Vera"P，"et"al."Feature-enhanced"generation"and"multi-modality"fusion"based"deep"neural"network"for"brain"tumor"segmentation"with"missing"MR"modalities[J]."Neurocomputing，"2021，"466："102–112.

[31] WANG"M，"FAN"S，"LI"Y，"et"al."Robust"multi-modal"fusion"architecture"for"medical"data"with"knowledge"distillation[J]."Comput"Meth"Prog"Bio，"2025，"260："108568.

[32] WANG"M，"FAN"S，"LI"Y，"et"al."Missing-modality"enabled"multimodal"fusion"architecture"for"medical"data[J]."J"Biomed"Inform，"2025，"163："104796.

[33] Huang"Y，"Wang"M，"Zheng"Z，"et"al."Representation"of"time-varying"and"time-invariant"EMR"data"and"its"application"in"modeling"outcome"prediction"for"heart"failure"patients[J]."J"Biomed"Inform，"2023，"143："104427.

（收稿日期：2025–02–17）

（修回日期：2025–05–16）