基于准则权重与可靠性迁移的跨域决策方法研究及其在乳腺病灶辅助诊断中的应用

针对历史数据稀缺导致数据驱动多准则决策(D2MCDM)模型参数学习困难的问题，研究人员提出融合参数迁移学习的跨域决策方法(TBDM)。通过Tri-training算法筛选源域数据，结合准则权重与可靠性双重迁移机制，构建可解释性决策模型。案例验证显示该方法在乳腺病灶辅助诊断中显著提升小样本场景下的预测精度，为医疗决策智能化提供新范式。

　　

在信息爆炸时代，海量历史数据既为决策提供支持，也加剧了决策复杂性。数据驱动多准则决策(D²MCDM)虽能通过历史数据提取参数辅助决策，但医疗等特殊领域常面临数据稀缺困境——例如乳腺超声诊断数据量远少于甲状腺结节，导致模型参数学习不准确。这种"数据荒漠"现象如何破解？中国科学技术大学的研究团队创新性地将迁移学习引入决策领域，提出基于准则权重与可靠性迁移的跨域决策方法(TBDM)，成果发表于《Knowledge-Based Systems》。

研究采用Tri-training算法筛选源域相似数据，通过构建三个D²MCDM模型的协同训练机制，迭代优化数据选择；基于区间数(PINs)表达不确定信息，分别从个体评估与整体评估相似性、个体评估与金标准相似性两个维度，建立准则权重和可靠性的双重迁移模型；最终通过乳腺-甲状腺结节诊断的跨域迁移实验验证，该方法在UCI数据集上展现出显著优势。

数据选择策略
通过Bootstrap采样构建三个初始D²MCDM模型，利用源域未标注数据进行协同筛选，当模型预测一致时保留高置信度样本，逐步提升跨域数据相似性。

参数迁移机制
建立包含权重相似性约束、可靠性相似性约束及联合约束的三类优化模型，实现准则权重（反映决策偏好）与可靠性（反映评估准确性）的差异化迁移。

医学验证应用
以安徽某三甲医院超声科数据为样本，当乳腺病灶数据不足时，迁移甲状腺结节数据训练的模型参数，使诊断准确率提升12.6%，证实跨解剖部位知识迁移的可行性。

该研究突破传统D²MCDM对单一领域数据的依赖，首创将参数限制型迁移学习(PRTL)与多准则决策相结合的技术路线。相比参数共享型迁移(PSTL)，其优势在于保持决策透明性的同时，通过相似性约束保留领域特异性。临床价值在于为小样本医疗决策提供可解释的AI模型，未来可扩展至癌症分级、预后预测等场景。作者Xuefei Jia等强调，该方法的核心创新在于"双重参数迁移框架"，既避免直接参数共享的领域偏差，又克服单一权重迁移的信息损失问题。

研究仍存在局限性：跨器官迁移的生理学关联机制需进一步验证，且当前模型未考虑动态数据流场景。团队指出，下一步将探索多源域迁移与在线学习机制的融合，这对实现医疗决策系统的持续进化具有重要意义。