帕累托最优

Parent: ai_keywords

帕累托最优

核心定义

帕累托最优（Pareto optimality）由意大利经济学家维弗雷多·帕累托提出，指在资源配置或多目标优化中，不存在使得至少一个目标改善而不损害其他目标的状态。在人工智能与临床医学交叉领域，它常被用于权衡相互冲突的指标（如算法准确率与召回率、治疗获益与副作用），其所有可行解构成的边界称为帕累托前沿。

关键技术点

• 多目标优化：同时优化多个冲突目标（如灵敏度与特异度），寻找一组非支配解而非单一最优解。
• 帕累托前沿：所有帕累托最优解的集合，在目标空间中形成一条前沿，前沿上的任意解都无法同时提升所有目标。
• 支配关系：解A支配解B，当且仅当A在所有目标上不劣于B且至少一个目标严格优于B；帕累托最优解不被任何可行解支配。
• 进化多目标算法（如NSGA-II、MOEA/D）：通过模拟自然选择高效搜索帕累托前沿，广泛应用于医学AI模型训练与参数调优。

医学/神经科学应用场景

在帕金森病深部脑刺激（DBS）参数优化中，需同时设定电压、频率、脉宽及电极触点。目标包括最大化运动功能改善（UPDRS-III评分）、最小化言语障碍/感觉异常等副作用、并降低能耗以延长脉冲发生器寿命——这三个目标相互冲突。依托首都医科大学宣武医院神经病学中心临床数据，研究者构建个体化多目标模型，运行进化算法生成DBS参数的帕累托前沿，为医生提供一组“非劣”参数组合。医生再根据患者偏好（例如更侧重运动控制还是生活质量）从中定制最终参数，实现精准神经调控。类似框架也适用于癫痫迷走神经刺激参数优化及脑卒中溶栓取栓的效益-风险精确权衡。