近日，国际生物信息学和生物医学会议IEEE International Conference on Bioinformatics and Biomedicine (BIBM) 公布了审稿结果，我中心有两篇论文被会议录用。BIBM是生物信息学与生物医学领域国际知名会议，属于中国计算机学会（CCF）推荐B类会议。本次会议吸引了来自计算机科学、生物学、化学、医学、数学和统计学等不同领域的研究人员，汇集了传播生物信息学和健康信息学的最新研究成果，总投稿727篇论文，接受143篇（接受率为19.6%）。此次被录用的论文的相关信息如下：

论文1. 题目：A Multi-Resolution Deep Forest Framework with Hybrid Feature Fusion for CT Whole Heart Segmentation（作者：Fei Xu#, Lingli Lin#, Dihan Li, Qingqi Hong*, Kunhong Liu*, Qingqiang Wu, Qingde Li, Yinhuan Zheng, Jie Tian.）。我中心2020级的硕士生许霏和2019级的硕士生林凌莉为共同第一作者，刘昆宏老师和洪清启老师为共同通讯作者。

论文提出了一种基于混合特征融合的多分辨率深度森林框架，用于CT全心分割。心脏医学图像分割在心血管疾病的诊断和临床治疗中具有重要作用。然而，由于心脏解剖结构的可变性和心脏子结构之间的模糊性，仍然难以从医学图像中快速分割整个心脏。目前的研究大多采用神经网络结构进行全心分割。虽然已经达到了很好的精度，但通常需要很长的训练时间。因此，我们建立了一种新的基于深度森林的全心分割模型，称为Multi-Resolution Deep Forest Framework (MRDFF)。该模型通过两个阶段进行分割，第一阶段通过粗略的二分类定位心脏区域，并通过相似性筛选减少冗余。第二阶段基于第一阶段的结果对心脏子结构进行细分，并使用多尺度融合来提高精度。与基于神经网络的方法相比，我们的模型能在更短的时间内完成训练，并达到不低于神经网络模型的准确率，这说明了我们的模型的可行性和有效性。

论文2： 题目:FES-RF: A Feature Ensemble Selection Based Random Forest Method For Accurate Cancer Screening( 作者：Jiatong Liu#, Changbin Pan, Dongdong Chen, WeiPing Lin, Shangyuan Feng, Sufang Qiu, and KunHong Liu*)。我中心2019级硕士研究生刘佳桐为第一作者，刘昆宏老师为通讯作者。本文由我中心和福建师范大学医学光电科学与技术教育部重点实验室、福建医科大学附属肿瘤医院福建省肿瘤医院合作完成。

论文提出了一种基于特征集成选择的随机森林方法，旨在给出一种通过机器学习高效、准确、可解释的诊断癌症的方法。目前，癌症的诊断和分析通常是通过专业知识的积累进行粗略判断，难以处理现实环境下大量患者样本和多种病因错综交互的问题。此外，现有的机器学习方法大多是一种黑盒的方法，不能给出癌症诊断的合理依据。因此，本文提出了基于特征集成选择的随机森林方法用于精确癌症诊断。课题组收集了三组不同癌症病症患者和一组健康人共700份血清样本，并对其进行SERS检测。根据血清拉曼光谱的特征重要性对其进行排序，并构建反映光谱特征重要性的特征概率向量。我们进一步基于概率选择构建候选特征集，并设计构建特征集成选择的随机森林模型。实验部分，一方面，我们将该方法与目前流行的机器学习方法进行比较，以验证该方法在癌症多类分类任务中的有效性。另一方面，我们对肿瘤特征进行定性和定量分析，为不同肿瘤特征对最终分类诊断的影响提供模型基础和生物医学依据。