《Scientific Reports》：Hybrid feature selection with novel deep learning model for COVID-19 risk prediction
编辑推荐：
本研究针对COVID-19风险预测的准确性挑战，提出了一种结合混合特征选择与新型深度学习模型的解决方案。研究人员通过融合Fisher评分和Pearson相关系数(PCC)的混合相似性度量进行特征选择，并构建了模糊深度克罗内克循环神经网络(Fuzzy-DKRNN)模型。实验结果表明，该方法在准确率(0.908)、精确率(0.900)、召回率(0.918)和F1分数(0.890)等指标上均优于现有方法，为COVID-19早期诊断和医疗资源优化分配提供了有效工具。
当COVID-19疫情在全球范围内持续蔓延，新的病毒变种不断出现，准确预测个体患病风险成为医疗资源合理分配和患者及时救治的关键。尽管全球已采取社交隔离、旅行管控等多种防护措施，但医疗系统仍面临巨大压力。传统的风险预测方法在应对大规模临床数据和复杂病情特征时表现不佳，迫切需要开发更精准的智能预测模型。
在这项发表于《Scientific Reports》的研究中，Gururama Senthilvel P等人提出了一种创新的混合方法，将特征选择技术与深度学习模型相结合，为COVID-19风险预测提供了新的解决方案。研究人员开发了基于模糊深度克罗内克循环神经网络(Fuzzy-DKRNN)的预测框架，通过有效整合临床数据特征和深度学习优势，实现了对COVID-19风险的高精度预测。
研究采用的关键技术方法包括：使用对数缩放进行数据标准化处理；采用Fisher评分与Pearson相关系数(PCC)相结合的混合相似性度量进行特征选择；构建了融合深度克罗内克网络(DKN)和深度循环神经网络(DRNN)的新型Fuzzy-DKRNN模型；使用包含1,048,576名患者记录的COVID-19风险预测数据集进行模型训练与验证。
数据预处理与特征选择
研究首先对临床数据进行标准化处理，采用对数缩放方法消除数据量纲差异，减少极端值的影响。随后通过混合相似性度量进行特征选择，该方法综合了Fisher评分评估特征类别区分能力和PCC衡量特征间线性相关性的优势，有效筛选出最具预测价值的特征指标。
Fuzzy-DKRNN模型架构
研究人员设计的Fuzzy-DKRNN模型包含三个核心组件：深度克罗内克网络(DKN)利用克罗内克乘积捕捉特征的潜在分段关系；模糊DKRNN层通过自动生成最小数量的相关模糊规则，构建基于统计值的矩形模糊规则分类系统；深度循环神经网络(DRNN)结合长短期记忆(LSTM)单元和门控循环单元(GRUs)，有效处理序列数据并解决梯度消失问题。
模型性能评估
通过系统实验验证，Fuzzy-DKRNN模型在多个评估指标上均表现出色。在不同训练数据比例(50%-90%)和K值(5-9)条件下，模型均保持稳定性能。与DeepCOVID-Fuse、AI基于前瞻性框架、IMG-CNN和SMOTE-CV-CNN等现有方法相比，提出的方法在准确率、精确率、召回率和F1分数上均有显著提升。
比较分析
研究进行了全面的比较评估，结果表明在训练数据为90%时，Fuzzy-DKRNN的准确率达到0.908，比现有最佳方法提高2.29%-3.66%。在K值为9的交叉验证中，模型同样展现出优越的泛化能力，各项指标均显著优于对比方法。
本研究通过开发新型的Fuzzy-DKRNN模型，成功解决了COVID-19风险预测中的关键挑战。模型的创新性体现在三个方面：首先，采用混合相似性度量进行特征选择，有效结合了Fisher评分和PCC的优点；其次，将模糊规则 certainty 融入新构建的深度克罗内克循环神经网络中，增强了模型对不确定性的处理能力；最后，在大规模临床数据集上的验证证明了模型的鲁棒性。
该研究的重要意义在于为COVID-19及其他传染病的风险预测提供了新的技术路线。模型的高精度预测能力有助于实现医疗资源的优化配置，特别是在重症监护室(ICU)床位、呼吸机等关键资源的分配决策中发挥重要作用。此外，该方法展现的良好泛化能力表明其有望应用于其他疾病的风险评估场景，为智慧医疗和精准医疗的发展提供了有力支持。
未来研究可进一步开展消融实验，明确各组件对模型性能的贡献程度，并探索混合优化技术训练Fuzzy-DKRNN以获得更精确的预测结果。同时，将该方法应用于新出现的病毒变种风险预测，也将是重要的研究方向。
