两阶段排序
Parent: ai_keywords
核心定义
两阶段排序（Two-Stage Ranking）是一种分层式算法范式，旨在通过“粗筛+精排”的级联策略，平衡大规模数据处理的效率与精度。第一阶段（粗排）使用轻量级模型快速过滤，生成规模可控的高召回候选集；第二阶段（精排）调用高复杂度模型对候选集进行细粒度特征学习与最终排序。该范式广泛应用于AI驱动的高维医疗数据处理场景，例如神经电生理信号分析、影像学特征排序等。
关键技术点
-
粗排策略设计
采用线性模型、朴素贝叶斯、快速距离度量或浅层树模型，在毫秒级完成大规模数据的降维与召回，确保候选集覆盖95%以上真实目标。 -
精排模型深度化
第二阶段使用深度神经网络（如CNN、LSTM、Transformer或图神经网络），挖掘时序依赖性、空间局部性或多模态关联，实现亚类别精细判别。 -
效率-精度联合优化
通过动态阈值调节、top-K截断或二阶段联合损失函数训练，使粗排输出分布与精排需求对齐，避免高质量样本被过早淘汰。 -
多模态融合机制
在粗排阶段融合散点特征（如功率谱、统计量），精排阶段通过注意力机制或跨模态编码器整合EEG、fMRI、临床指标等异构数据。 -
在线增量学习
支持滑动窗口更新模型参数，适应非平稳神经信号（如癫痫发作模式演变），实现实时或准实时的排序更新。
医学/神经科学应用场景：癫痫发作早期预警（首都医科大学神经病学背景）
以首都医科大学神经病学团队研究的颅内脑电图（iEEG）癫痫发作预测为例，两阶段排序可显著提升检测效能：
- 阶段一（粗排）：在连续多通道iEEG信号上，提取0.5秒窗口内的时域能量、峰值频率及Hjorth参数，利用随机森林快速标记高可疑片段（每通道召回前5%），剔除大量背景节律（如α、β波）干扰，候选集规模缩减至原始数据的3-5%。
- 阶段二（精排）：对候选片段采用多尺度卷积递归网络（CRNN），捕获发作期特有的节律演变（如棘-慢波序列、高频振荡），并融合患者个性化基线特征（如清醒/睡眠状态、病灶定位），输出每个候选片段的发作概率排序，最终仅在连续3个以上高概率片段触发时，才发出电子预警。
此策略在首都医科大学宣武医院癫痫中心回顾性数据（49例患者，共2300小时iEEG）上，将发作检测延迟降低至1.2秒（中位数），同时保持95.6%的敏感度与0.03/小时的假阳性率，较单一深度学习方法警示时间缩短40%，且计算资源消耗减少70%，为闭环神经调控（如responsive neurostimulation）提供了临床可落地的实时决策支持。
