近日，由我院完成的阈值化理论研究论文“面向功能连接分析的基于分布引导阈值化方法在脑疾病诊断应用”被国际顶级刊物《IEEE Journal of Biomedical and Health Informatics》接收并出版。

传统的复杂网络分析，特别在生物信息网络、脑网络等全连接网络分析处理中往往需要进行阈值化的预处理步骤，用以去除噪声数据使得后续模型更加鲁棒。但现有的阈值化方法往往是以一个值或一定的比例去阈值化网络而忽略了网络中各边连接权值的差异性，因此导致整个模型性能降低。本成果提出一种网络权值分布引导的阈值化方法并构建了对应的机器学习模型。首先将训练样本根据标签分成正负两类，对每类的样本的每条边根据权值进行计算其分布，然后对于两类样本中的同一边进行方程联立求解，进而可形成与原始网络同样大小的阈值矩阵，即对于生物信息网络、脑网络等中的每条边都会形成唯一判定的阈值用以适应性的去阈值化网络，最后在两个真实的公开数据集上ADNI与ADHD上验证了提出方法与模型的有效性与优越性。其主要思路如图1。成果论文题目为“Distribution-guided Network Thresholding for Functional Connectivity Analysis in fMRI-based Brain Disorder Identification”，我院研究生王正东为论文第一作者，接标教授为通讯作者，安徽师范大学计算机与信息学院为第一完成单位。

图1 分布引导的阈值化模型框架

IEEE Journal of Biomedical and Health Informatics 期刊为计算机信息系统跨学科应用顶级期刊，2022年影响因子为7.021，其主要收录计算机在生命健康、生物信息方面的应用文章，涵盖了人工智能、机器学习、生物成像、复杂网络等多领域。该成果论文目前已在IEEE Xplore网站上刊登：https://ieeexplore.ieee.org/document/9521735。