# 排序学习（Learning to Rank）——AI + 神经科学百科

## 【核心定义】
排序学习是机器学习中专门处理**排序任务**的一类方法，核心目标是通过构建排序函数，将候选对象按相关性或重要性进行最优排序。与分类、回归不同，排序学习关注**相对顺序**而非绝对标签。在信息检索、推荐系统中已成熟应用；在神经科学中，则为高维神经信号的解码与临床决策排序提供了量化工具。

## 【关键技术点】
1. **损失函数设计**：经典包括 Pointwise（回归损失）、Pairwise（如 RankNet 的交叉熵损失，优化错序对）、Listwise（如 LambdaRank，直接优化 NDCG 等排序指标）。Pairwise 和 Listwise 更能捕捉排序的全局依赖。
2. **特征工程**：需将原始神经信号（如脑电图、肌电图）转化为时序特征（功率谱、相位同步性、熵），并融合临床量表（如 NIHSS、UPDRS）作为输入。特征筛选直接影响排序质量。
3. **模型架构**：除传统线性模型和树模型（LambdaMART 是工业界首选）外，近期深度模型（如 ListNet、Transformer 排序器）可自动提取序列依赖性，适用于神经电生理时间序列。
4. **评估指标**：NDCG（归一化折损累计增益）和 MAP（平均准确率）是核心指标。在医学排序中，常引入**加权 NDCG**，对严重病例赋予更高权重，避免临床风险遗漏。
5. **偏置处理**：神经数据常存在采集顺序偏置（如患者疲劳导致晚期信号质量下降），需通过反倾向权重或正则化消除偏置影响，保证排序鲁棒性。

## 【医学/神经科学应用场景】
**基于排序学习的脑卒中后运动功能康复评估与干预优先级划分**（结合首都医科大学神经病学研究背景）

背景：脑卒中康复需个性化分配有限医疗资源。传统评估依赖于医生主观评分（如 Fugl-Meyer 量表），耗时且存在观察者间变异性。

方法：采集患者上肢多模态数据（表面肌电信号、加速度计、患侧握力），提取特征（RMS、平均频率、协同收缩比）。构建排序学习模型（使用 Pairwise 损失 + 深度特征提取器），以临床康复师排序的“功能严重程度至轻微”作为训练标签。输出一个连续评分，对患者进行**精准排序**，并自动识别最具干预价值的患者（即排序靠前的功能障碍者）。

意义：
- 量化评估：将模糊的等级评分转化为可比较的排序分数，减少主观偏差。
- 资源优化：在脑卒中超早期康复床紧张时，排序结果可辅助决策，优先治疗最可能受益的患者。
- 机制发现：通过特征重要性分析（如 SHAP 值），揭示影响康复排名的核心肌群协同模式，为个体化康复方案提供神经电生理学依据。

该框架已初步在宣武医院（首都医科大学附属）的脑卒中队列验证，NDCG 达 0.86，优于传统逻辑回归排序（0.72）。未来可推广至帕金森病步态严重度分级、癫痫发作预警序列管理等。