人工智能学院常毅教授指导的2022级直博生叶航廷同学的论文被CCF-A类会议KDD'2023接收。KDD (The 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, KDD 2023) 是数据挖掘领域的顶级国际会议，它为来自学术界、企业界、和政府部门的研究人员和数据挖掘从业者进行学术交流和展示研究成果提供了一个理想场所。该会议一年举办一次，由ACM的数据挖掘及知识发现专委会主办。

叶航廷本科就读于吉林大学唐敖庆理科试验班，从大学四年级起开始接受常毅老师与微软亚洲研究院的联合指导，2022年保送到我院跟随常毅教授继续攻读直博研究生，从事机器学习与数据挖掘领域的研究工作。本工作与伊利诺伊大学香槟分校博士研究生Zhining Liu同学以及微软亚洲研究院Wei Cao、Jiang Bian博士合作完成。

论文题目：Web-based Long-term Spine Treatment Outcome Forecasting

第一作者：叶航廷

指导教师：常毅

收录会议：KDD'2023

会议类别：CCF-A

论文概述：

全球人口的老龄化正见证着脊柱疾病的日益流行。据最新统计，全球有近5%的人口患有脊柱疾病。为了缓解症状，许多脊柱病患者倾向于选择手术治疗。然而，最近的一些研究证据显示，一些脊柱病患者可以通过非手术治疗在一段时间内自愈，甚至手术也可能无法缓解某些病人的疼痛症状，这就提出了一个关于此类手术是否合适的关键问题。此外，复杂而耗时的诊断过程给临床医生和患者都带来了巨大的负担。

由于网络技术的发展，脊柱病患者有可能在互联网上获得决策建议。网络技术的独特性，包括其普及性、便利性和即时性，使得智能医疗技术，特别是治疗结果预测（TOF）能够支持医生和医疗机构的临床决策。尽管已经有一些基于机器学习的方法被提出来，但由于忽视了一些实际的挑战（在互联网上应用造成的），包括有偏见的数据选择、噪音监督和病人的不服从，它们的性能和可行性大多不令人满意。

鉴于此，我们提出了DeepTOF，一种新型的端到端深度学习模型，以应对基于网络的长期连续脊柱TOF的独特挑战。特别是，我们结合不同的病人群体，训练一个统一的预测模型，以消除数据选择偏差。为了实现稳健的学习，我们进一步利用间接但细粒度的监督信号，与嘈杂的训练标签进行相互校准。此外，我们还与DeepTOF共同训练了一个特征选择器，以选择最重要的特征（即需要收集的答案/指标）进行推理，从而简化了DeepTOF在基于网络的现实世界应用中的使用。

所提出的DeepTOF可以为脊柱病人的康复带来巨大的好处。综合实验和分析表明，DeepTOF在很大程度上优于传统解决方案。