成果介绍
食源性疾患致菌是造成食源性疾患的主要诱因，使用数据挖掘、机器学习的方式挖掘食源性疾患诱因之间潜在的关联，因而对致病菌进行辨识，才能对食源性疾患的诊治起到辅助作用。课题组提出了一种借助机器学习来辨识食源性疾患致病菌的方式，从空间、时间、患者信息、暴露乳品等方面提取特点，使用合适的机器学习模型来对特点进行训练和学习，进而对重要的食源性疾患致病菌进行辨识，以对食源性疾患的诊治提供辅助支持。进一步，针对食源性疾患发病情况的时空预测问题，课题组提出了基于多图结构化LSTM的时空风险预测模型，该模型还能通过构造多种空间相关性并进行动态融合，借助基于Encoder-Decoder的结构化LSTM模型同时对数据的时间依赖性和空间依赖性进行建模计算机网络什么是可伸缩性，实现对癌症风险的多步预测。相关研究成果发表在JMIRMedicalInformatics上。
食源性疾患暴发是指发生两例及以上具有共同曝露和病症相像的食源性疾患病例计算机网络什么是可伸缩性，目前，食源性疾患报告检测系统基于筛选规则来发觉疑似食源性疾患暴发风波，但该方式普遍存在错判的现象。为了进一步提升暴发辨识和预测的确切性，课题组设计出一种基于机器学习的食源性疾患暴发识别模型。在辨识暴发的同时剖析各种特点和致病诱因对判断结果的影响，这对医学工作者具有借鉴意义。相关研究成果发表在FoodbornePathogensandDisease上。
基于上述系列研究成果，课题组发觉大数据与机器学习技术可以在病例报告、疾病确诊、暴发辨识和风险预测阶段，改善现有的食源性疾患监控系统，并在此基础上总结出机器学习驱动的食源性疾患监控系统框架，以推动未来对食源性疾患检测系统作出更智能的改进。相关研究成果发表在FoodControl上。
图1.食源性疾患时空风险预测模型构架
图2.基于机器学习技巧的食源性疾患暴发优化
