基于特征融合的產科多標記輔助診斷研究

馬鴻超,張坤麗,趙悅淑,昝紅英,莊 雷

(1. 鄭州大學 信息工程學院，河南 鄭州 450001；2. 鄭州大學 產業技術研究院，河南 鄭州 450001；3. 鄭州大學 第三附屬醫院，河南 鄭州 450052)

0 引言

自計劃生育寫入我國基本國策，晚婚晚育政策帶來諸多益處的同時，也導致年齡超過35歲的高齡孕婦所占比例逐年增加[1]。2016年“全面二孩”政策實施之后，預計我國會迎來一個新的生育高潮，而高齡孕婦所占比重會更大。針對高齡產婦，難產、胎兒畸形的發生率及并發癥風險都有所增加，這對各醫療機構的產科是一個巨大挑戰。

自2010年國家衛生計生委醫政醫管局出臺《電子病歷基本規范(試行)》[2]之后，各診療機構累積了豐富的產科電子病歷資源。海量電子病歷數據是醫療領域的大數據，蘊含著大量醫療知識和健康信息。如何利用這些資源實現臨床信息決策支持，從而改善臨床治療效果，是迫在眉睫的研究任務。

電子病歷是醫務人員對醫療活動進行的詳細記錄。其中非常重要的形式是自由文本(半結構或無結構)數據[3]，如何采用自然語言處理技術對電子病歷進行結構化和信息抽取是充分利用電子病歷所蘊藏知識的重要一步。隨著人工智能技術的發展，讓醫療輔助診斷成為了可能。在電子病歷中，首次病程記錄以文本形式存儲。包括患者的主訴、查體以及輔助檢查等信息，而通常情況下，產科的入院診斷包括正常診斷、病理診斷及并發癥等，即并非單一結果。如一份電子病歷中的診斷中可能有“羊水過多”和“妊娠期高血壓”。若將一個電子病歷看作一個實例，診斷結果看作標記，則可認為每個實例都可能屬于多個標記。可以將針對產科電子病歷的輔助診斷問題轉化為機器學習中的多標記分類問題，而同一份病歷中的多個診斷結果即為不同的標記。

本文在分析中文產科電子病歷自由文本結構及內容的基礎上，對首次病程記錄進行數據清洗，并規范化診斷結論。根據已收集到的電子病歷中首次病程記錄的主訴、入院查體、產科檢查和輔助檢查等信息，將LDA(Latent Dirichlet Allocation)主題模型抽取的特征與生理參數數值型特征融合，采用多種多標記分類的方法對產科電子病歷進行自動診斷。

1 相關工作

在多標記分類問題中，實例空間中的每一個實例可以屬于多個標記，即設實例空間為X，實例集合為D，L為標記集合，|L|=n。在單標記中只有一個標記li與實例xi相對應，其中li∈L，xi是集合D的第i個實例，集合D可表示為{(x1，l1)，(x2，l2)，…，(xn，ln)}。而在多標記中，每一個實例可以屬于多個標記，即實例集合D可以表示為{(x1，L1)，(x2，L2)，…，(xn，Ln)}，其中Li?L，Li是xi關聯的標記集合。不少學者對多標記分類進行研究，分別應用于文本分類[4]，情感分類[5]，圖像和視頻分類[6]，生物信息[7]和醫學[8]等領域。

目前，針對多標記學習的研究主要集中在三個方面： 第一，改進或者提出新分類或排序的模型，楊小健等[9]提出了一種結合類別權重及多示例的多標記學習改進算法(CWMI-INSDIF)。在對單一對象拆分時，充分考慮數據的內部特性，加入權重函數和自適應懲罰策略；李哲等[10]改進了分類器鏈，形成了有序分類器鏈(Ordered Classifier Chain，OCC)，OCC可以有效利用各個標記之間的依賴關系。第二，改進、提出新的特征選擇模型或者聯合模型。李峰等[11]提出了一種局域互信息的粒化特征加權多標簽學習k近鄰算法GFWML-kNN(granular feature weighed k-nearest neighbors algorithm for multi-label leaning)。該算法計算了每個特征的權重系數，并把標記間的相關性融合進特征的權重系數，解決了特征相關性和組合爆炸問題。實驗表明，該算法在整體上取得了較好的效果；Teisseyre P[12]把分類器鏈和強行網絡正則化相結合，提出了CCnet算法，CCnet最重要的優點是在學習過程中能選擇相關特征。第三，在新的領域應用多標記學習，Liu G P等[13]把技術應用到中文冠心病數據集上，進行多癥狀選擇。

在醫學領域，也有學者采用多標記分類方法進行數據的處理。Ira Goldstein等[8]利用I2B2 2008的數據，為每一個類別訓練一個分類器，對肥胖癥及其他15種并發癥進行多標記分類；Shao H等[14]提出了一種混合優化的特征選擇算法(Hybrid Optimization based Multi-Label，HOML)用于特征選擇。HOML把模擬退火算法、遺傳算法和爬山貪婪算法進行結合，在中醫冠心病數據集上顯著提高了分類的效果；Li Y等[15]把中藥方劑與中醫證候關系轉化為一個多實例學習和多標記學習問題，提出了WSSH-MIML (Weighted Sampling based on Similar Herbs MIML)的方法，用于預測基于多實例多標記框架處方的主要癥狀；徐瑋斐等[16]把隨機森林與多標記學習算法相結合對慢性胃炎的實證癥狀進行選擇和模型構建；程波等[17]提出一種基于多模態特征數據的多標記遷移學習模型，并將其應用于早期阿爾茨海默病診斷： 首先對圖像提取特征，再選擇最優特征子集，最后用多標記遷移學習模型分類回歸器進行分類。

目前，在醫學領域的研究多在公開數據集或類別較少的真實數據集上展開。如文獻[8]中采用的是公開的評測數據。產科診斷種類較為復雜，且一些特征不易直接提取，這也為開展中文產科電子病歷研究帶來了一定困難，到目前為止，還鮮有人對較復雜的中文產科電子病歷進行輔助診斷的研究。

2 產科電子病歷特點及數據集

2.1 結構與特點

產科電子病歷多為自由文本形式或半結構化文本形式。本節結合具體的電子病歷，重點對首次病程記錄的內容及特點進行了分析。產科電子病歷主要包括病程記錄和出院小結兩部分內容，具體如表1所示。在電子病歷文本中，所有內容混排在一起，為了便于數據分析，將首次病程記錄按主訴、入院查體、產科檢查、輔助檢查、入院診斷、診斷依據、鑒別診斷和診療計劃等進行結構化，形成了本文進行實驗的首次病程記錄集合(圖1則是按小節內容整理后的形式)。

表1 病程記錄和出院小結所包含的主要內容

在電子病歷中由于醫院管理信息(Hospital Information System，HIS)系統的原因，存在首次病程記錄冗余(如首次病程記錄和出院小結的重復)、缺失(如首次病程記錄和出院小結的缺失)、時序錯亂(時間出現邏輯錯誤)等問題，因此也對數據進行了清洗。

圖1 首次病程記錄示例

2.2 實驗數據集

本文以15家醫院隨機抽取的一萬余份產科電子病歷為研究對象，在抽取電子病歷的同時進行去隱私化預處理[18]，隱去了病人的姓名、身份證號碼、家庭住址、醫生姓名等涉及病人及醫生的隱私性信息。

針對電子病歷中存在的不同問題，采取不同的方式進行數據清洗[19]。針對首次病程記錄冗余，采用自動比對的方式進行篩選。當檢測到同一個病歷中有多個首次病程記錄時，根據信息的完整性以及記錄時間，甄選出正確的首次病程記錄；針對首次病程記錄的缺失，則直接刪除；而針對首次病程中的時序錯誤，根據產科治療的時序邏輯，設計出了時序錯誤檢測方案，對這一類首次病程記錄也進行了刪除。最終得到包含10 886份首次病程記錄的數據集。

在首次病程記錄中，入院診斷是醫生依據病人的各項生理指標對病人的情況綜合分析后作出的診斷，然后給出診療計劃。因此，首次病程記錄的入院診斷可以看作是依據顯式或隱式的特征進行多個診斷標記的分類。本文的輔助診斷模擬這一過程，利用主訴、入院查體、產科檢查和輔助檢查來預測入院診斷。抽取了其中的主訴、入院查體、產科檢查、輔助檢查和入院診斷作為實驗數據集，把入院診斷看作標記，其余四部分看作特征。在分詞工具ICTCLAS*https://github.com/NLPIR-team/NLPIR中增加來自互聯網及《婦產科學》[20]中的婦產科醫療術語和藥物名稱，對實驗文本進行分詞作為實驗數據集。入院診斷中的每一條看作是一個標記，其中的“孕X+Y周”及“孕Z產U”是計算或主訴的結果，不作為類標記，將其他診斷作為多標記從數據集中共得到診斷737個，形成集合L1。由于本文中所使用的電子病歷來源于多家診療結構，醫生書寫習慣并不相同，如在L1中出現的“胎盤前置狀態”及“前置胎盤”兩種寫法，以及“上感”與“上呼吸道感染”這樣的寫法，即存在同一類別標記的多種不同表現形式。以ICD10疾病命名規范為依據，對診斷結果進行分詞之后，采用基于語義的方法對標記的相似度進行計算*https://my.oschina.net/twosnail/blog/370744#comment-list，計算方法如式(1)所示。其中,S1、S2是兩個診斷標記的語義向量表示。

(1)

根據相似度計算的結果，由醫學專業人員對類標記進行規范化，合并了同一診斷結果的不同表述形式。從而得到類標記集合L2，包含標記249個，出現頻次統計結果如表2所示。其中，僅出現1次的診斷標記有84個，占標記總數的34%。在數據集中共出現診斷標記25 881次，首次病程中最少標記數為1，最大標記數為9，平均每份電子病歷出現2.38次。規范化之后把標記轉化為0，1向量，出現為1，否則為0。

表2 入院診斷頻率分布情況

3 多標記輔助診斷方法

3.1 特征融合

LDA可以提取文本特征，而不能有效地表達數值特征，所以把LDA提取的文本特征與數值型特征融合。以下分別介紹LDA特征、數值型特征及相應的融合方式。

3.1.1 LDA特征

LDA由Blei等[21]在2003年提出，已經被廣泛的應用到特征提取上。LDA是一個三層的貝葉斯模型，第一層是文檔集合層D，每個文檔d(d∈D)由K(k1，k2，…，km)個主題構成。每個主題ki由第三層的N個特征詞構成，文本中的詞是可觀察的，而主題則是隱含的，LDA模型如圖2所示。模型由參數(α，β)確定，α反映了隱含主題之間的相對強弱，β反映所有隱含主題自身的分布。首先，LDA從參數為β的Dirichlet分布中抽取主題與單詞的關系,而后LDA生成一個文本： 首先從參數為α的Dirichlet分布中抽樣出該文本d與各個主題之間的關系θd；其次，從參數為θd的多項式分布中抽樣出當前所屬的主題z；最后從參數為的多項式分布中抽取具體的單詞w。一個文本中所有單詞與其所屬主題的聯合概率分布如式(2)所示。

(2)

LDA的輸出包含文檔-主題概率分布矩陣M[m×n]。m表示文檔總數D，一行代表一個文檔(在本文中為一個病歷實例)，n是主題數，每一列表示一個主題。LDA的主題數目K=n表示一個實例的K個特征，每一個元素代表文檔屬于該主題的概率。假設D=3，K=120，圖3是LDA的輸出的一個實例M[3×120]。但LDA訓練時是以詞語為單位，并且高頻的全局性詞對主題的貢獻概率大于低頻詞的貢獻概率，而對于每一份病例中的檢查指標都是自己所獨有的，頻率較低，LDA無法有效表達數值特征。所以引入了數值型特征，以彌補LDA的不足。

圖2 LDA模型示意圖

圖3 M矩陣示意圖

3.1.2 數值型特征

數值是電子病歷中很重要的指標，不能忽略，需單獨考慮。在首次病程記錄中，孕婦年齡、停經月數、宮高腹圍等16個生理指標是影響判斷的重要因素，因此需要提取這些生理參數。文中有一些數值單位不統一的情況，以停經月數為例，一般描述為“停經X月余”，但也有“停經Y周”等的出現。在抽取時，我們把周轉換為月，“四周”近似為“一個月”。在抽取時需要充分考慮這些問題，并換算單位。同時也要兼顧數據的真實有效性，在抽取孕婦體重增加生理參數中，其中一份，孕婦體重增加為“158kg”，可以推測這一數據可能是錯誤數據，抽取時需要設定一個閾值來判定數據的準確性。對于可能錯誤的數據，直接刪除不用，因為可能出現錯誤的數據會影響實驗的結果。表3是抽取的生理參數的數值型特征示例。

表3 數值型特征示例

3.1.3 特征融合

由上文可知，產科電子病歷中既有描述性的文本特征(主訴和入院查體的描述性文本)，也有生理參數的數值型特征(年齡，體溫和宮高等)。只用數值型特征又無法表達描述性的文本特征，只用文本特征又無法表達數值型特征。因此我們把數值型特征單獨抽取，與LDA特征向量進行拼接，進行融合，即為分類的最終特征。圖4是將圖3中矩陣拼接數值特征之后的結果，矩陣M[3×136]。

圖4 M矩陣示意圖

3.2 計算方法

本文采用BP-MLL[7]進行多標記分類，這種方法是在傳統的多層反向傳播神經的基礎上，改變原有的誤差函數。為了將適用于單標記示例的傳統前饋神經網絡應用到多標記示例，必須設計一些特定的誤差函數，而不是簡單的平方和函數來捕捉多標記學習的特征，并且使誤差函數最小化。式(3)所示誤差函數認為每個類標記是獨立的，沒有考慮每一個標記之間的關系，式(4)所示誤差函數側重于網絡在屬于一個實例的標記上的輸出與不屬于其標記之間的差異。式(4)中誤差函數的最小化，可以使系統，對于屬于訓練實例的那些標記，輸出較大的值，對于不屬于訓練實例的標記，輸出較小的值。

3.3 評價指標

實驗采用多標記常用的漢明損失(Hamming loss)、首標記錯誤(One Error)、覆蓋距離(Coverage)、排序損失(Ranking loss)、平均精度(Average precision)作為評價指標[21]。

漢明損失： 該指標用于評估樣本的真實標記與系統預測所得標記之間的誤差率。即示例具有標記Yi但未被識別出，或不具有標記Yi卻被誤判的可能性。

首標記錯誤： 該評價指標用于考察在樣本的類別標記排序序列中，排名最高的標記不是樣本真實標記的可能性。在單標記學習中，就演化成一般的分類錯誤率。

覆蓋距離： 該評價指標考察了在樣本的類別標記排序隊列中，平均需要多少搜索深度才能覆蓋樣本所有相關標記。

排序損失： 該指標用于考察在樣本的類別標記排序序列中出現排序錯誤的情況。即樣本對其所具有標記的排名低于對其所不具有標記的排名的可能性。

平均精度： 該評價指標考察了在樣本的類別標記排序隊列中，隸屬度值大的標記仍為其相關標記的情況，即反映了預測類標的平均精確度。

4 實驗及結果分析

4.1 實驗設置

本文選用的BP-MLL與常用的RAkEL[22]、MLkNN[23]和Classifier Chain[24](CC)分類方法進行比較，分別考慮三個因素對實驗結果的影響。首先，如表2所示，診斷標記出現頻次不均衡，且低頻標記出現個數較多，因此考察不同頻次的類別標記集合對實驗結果的影響；其次，實驗中利用LDA提取特征時，不同特征數目對實驗結果也有影響，本文也予以考察。因此本節設置了三組實驗，第一組設置LDA的主題數目K為120，比較不同規模標記數目對于分類性能的影響，第二組是標記數目為69時，LDA的不同主題數目對平均精度的影響，第三組是數值型特征對實驗結果的影響。

4.2 類標記數目對實驗結果的影響

首先選定L2=249，LDA的主題數K=120，結果如表4所示，“↓”表示值越小效果越好，“↑”表示值越大效果越好(下同)。MLkNN所選用的五個評價指標中結果最好，而BP-MLL除漢明損失表現較差外，在其余四個評價指標中也都有排到了第二位，從整體來看MLkNN和BP-MLL都有絕對的優勢。從表4中可以看出，即使是表現最好的BP-MLL和MLkNN算法，其平均精度才為0.691 6±0.005 9和0.625 9±0.009 2。根據表2統計結果，僅出現1次的診斷標記有84個，頻次在2～10的96個，兩者共計180個，對這部分標記進行分析，主要是有三種情況：

第一種情況，是由于對電子病歷并未做分類，因此所抽取的標記是所有在產科辦理住院的患者。而有一些針對產科來講是非典型的診斷結果，如過敏性皮炎、腹瀉、左上肢骨折、左下肢陳舊性血栓、類風濕關節炎、抑郁癥等。

第二種情況，是由于醫生對入院診斷的書寫習慣不同造成的，個別醫生會在正常診斷中寫出在類標記中出現頻率較低的標記，如“單胎妊娠胎”僅出現一次。

第三部分，是較為少見的診斷結果。在抽取的10 886份電子病歷中，僅出現一次的，如胎兒鼻骨缺失、胎兒十二指腸梗阻和抗磷脂抗體綜合征等。這些標記在規模為10 886的數據集中僅出現一次，在一定程度上造成了數據的稀疏性。

將只出現一次的類標記刪除，形成標記集L3，包含165個類標記，實驗結果如表5所示。在表5中可以看出，除了RAkEL在平均精度上高于BP-MLL，在整體性能上MLkNN和BP-MLL依然是表現最好的兩個算法，且平均精度值有所提高，且BP-MLL的提高超過了2%。

嘗試進一步降低數據稀疏性，去除出現頻率不大于10的標記，形成標記集L4，包含69個類標記，結果如表6所示。在表6中可以看出BP-MLL在覆蓋距離、排序損失和平均精度都排到了第一位，而MLkNN在整體性能上也有不錯的表現，且BP-MLL的平均精度高達0.713 6。

表4 L2=249，K=120時的實驗結果

表5 L3=165，K=120時的實驗結果

續表

表6 L4=69，K=120時的實驗結果

4.3 主題特征數目對結果的影響

由于主題數目對實驗結果可能會有影響，所以本實驗中的K在120上下選取，分別選擇100、110、130、140，并與K等于120時進行對比。本實驗旨在研究LDA的主題數目K對于分類結果的影響，以平均精度為例，橫坐標是不同的主題數目，縱坐標是各個方法在不同主題下的平均精度。從圖5中可以看出，隨著LDA的主題數目K不斷增長然后到達最高點，而后下降，在主題數目為110左右或者120左右時，達到最高點。MLkNN和BP-MLL整體效果均優于其他兩種算法，而BP-MLL算法在整體上優于其他三種算法。

圖5 主題數目K的大小對四種算法的平均精度影響

4.4 數值型特征對結果的影響

為了研究數值型生理參數對實驗的影響，提取了16個生理參數作為數值特征。把這16個生理參數加入特征之中，與單獨用LDA提取的特征作對比。在標記數目為69時，K為100，110，120，130，140時實驗，具體如圖6，表7所示。其中圖6是加入數值特征前后，在BP-MLL方法上平均精度的對比，表7是另三種方法的對比。

加入生理參數的數值特征之后，平均精度均有不同程度的提高。在BP-MLL算法上，當K取140，平均精度提高了將近10%。當K取120時達到了最好的分類效果，其值為0.728 0。可以表明加入數值型生理參數之后，在一定程度上彌補了LDA不能表達數值特征的缺陷，有效提高了分類結果。

圖6 數值型特征對BP-MLL的平均精度影響

續表

5 總結與展望

本文在對中文產科電子病歷分析的基礎上，把輔助診斷問題轉化為多標記分類問題任務，比較了四種算法的分類性能，并分別討論了LDA主題數目，類標記集合的大小和不同的分類方法對實驗結果的影響。最后加入了提取的生理參數的數值型特征提高了各個算法的性能。當標記數目為69，LDA主題數目為120時，BP-MLL算法取得了最好效果，平均精度達到了0.728 0±0.013 5，這樣的結果可為醫學院學生的學習提供輔助手段。以往的工作一般是利用公開的數據集或者比較規范、標記數目相對較少的數據集，本文是在真實的病歷中抽出特征并進行診斷，不僅適用于產科電子病歷，同樣也適用于其他的病歷。本文的工作為以后電子病歷尤其是產科方面電子病歷的輔助診斷研究，提供了參考和思路。

從實驗結果可以看到，分類的平均精度還有一定的提升空間。下一步的工作準備將多標記分類方法與產科醫療知識圖譜進行融合，進行輔助診斷，進一步提高輔助診斷的精度及可靠性。

[1] 楊慧麗, 楊孜. 高齡妊娠對母胎結局的影響[J]. 中華產科急救電子雜志, 2016, 5(3):129-135.

[2] 衛生部印發《電子病歷基本規范(試行)》[J]. 中國病案，2010，11(3):64-65.

[3] 楊錦鋒，于秋濱，關毅，等. 電子病歷命名實體識別和實體關系抽取研究綜述[J]. 自動化學報，2014，08:1537-1562.

[4] Schapire R E, Singer Y. BoosTexter: A boosting-based system for text categorization[J].Machine learning, 2000, 39(2): 135-168.

[5] Liu S M, Chen J H. A multi-label classification based approach for sentiment classification[J].Expert Systems with Applications, 2015, 42(3): 1083-1093.

[6] Wang C, Yan S, Zhang L, et al. Multi-label sparse coding for automatic image annotation[C]//Proceedings of the 2009 IEEE Conference on Computer Vision and Pattern Recognition. IEEE, 2009: 1643-1650.

[7] Zhang M L, Zhou Z H. Multilabel Neural Networks with Applications to Functional Genomics and Text Categorization[J]. IEEE Transactions on Knowledge & Data Engineering, 2006, 18(10):1338-1351.

[8] Goldstein I, Uzuner ?. Specializing for predicting obesity and its co-morbidities.[J]. Journal of Biomedical Informatics, 2009, 42(5):873-886.

[9] 楊小健, 王杉杉, 李榮雨. 一種結合類別權重及多示例的多標記學習改進算法[J]. 小型微型計算機系統, 2017, 38(4):857-862.

[10] 李哲,王志海,何穎婧,付彬. 一種啟發式多標記分類器選擇與排序策略[J]. 中文信息學報,2013,27(04):119-126.

[11] 李峰, 苗奪謙, 張志飛,等. 基于互信息的粒化特征加權多標簽學習k近鄰算法[J]. 計算機研究與發展, 2017, 54(5):1024-1035.

[12] Teisseyre P. CCnet: Joint multi-label classification and feature selection using classifier chains and elastic net regularization[J]. Neurocomputing, 2017, 235:98-111.

[13] Liu G P, Li G Z, Wang Y L, et al. Modelling of inquiry diagnosis for coronary heart disease in traditional Chinese medicine by using multi-label learning[J]. BMC complementary and alternative medicine, 2010, 10(1): 37.

[14] Shao H, Li G Z, Liu G P, et al. Symptom selection for multi-label data of inquiry diagnosis in traditional Chinese medicine[J]. Science China Information Sciences, 2013, 56(5): 1-13.

[15] Li Y, Li H, Wang Q, et al. Traditional Chinese Medicine formula evaluation using multi-instance multi-label framework[C]//Proceedings of the 2016 IEEE International Conference on Bioinformatics and Biomedicine. IEEE, 2016:484-488.

[16] 徐瑋斐, 顧巍杰, 劉國萍,等. 基于隨機森林和多標記學習算法的慢性胃炎實證特征選擇和證候分類識別研究[J]. 中國中醫藥信息雜志, 2016, 23(8):18-23.

[17] 程波, 朱丙麗, 熊江. 基于多模態多標記遷移學習的早期阿爾茨海默病診斷[J]. 計算機應用, 2016, 36(8):2282-2286.

[18] Zhao Y S, Zhang K L, Ma H C, et al. Leveraging text skeleton for de-identification of electronic medical records[J]. Bmc Medical Informatics & Decision Making, 2018, 18(1):18.

[19] 張坤麗,馬鴻超,趙悅淑,等.基于自然語言處理的中文產科電子病歷研究[J].鄭州大學學報(理學版),2017,49(04):40-45.

[20] 謝幸, 茍文麗. 婦產科學.第8版[M].北京： 人民衛生出版社, 2013.

[21] Blei D M, Ng A Y, Jordan M I. Latent dirichlet allocation[J]. Journal of machine Learning research, 2003, 3(Jan): 993-1022.

[22] Zhang M L, Zhou Z H. ML-KNN: A lazy learning approach to multi-label learning[J]. Pattern recognition, 2007, 40(7): 2038-2048.

[23] Tsoumakas G, Katakis I, Vlahavas I. Random k-labelsets for multilabel classification[J]. IEEE Transactions on Knowledge and Data Engineering, 2011, 23(7): 1079-1089.

[24] Read J, Pfahringer B, Holmes G, et al. Classifier chains for multi-label classification[J]. Machine Learning and Knowledge Discovery in Databases, 2009 , 85 (3): 254-269.