编辑推荐：
现有 AI 模型选择方法在处理决策中不确定性、双极性等问题时存在不足。研究人员开展基于双极复模糊语言集（BCFLS）的多属性决策（MADM）研究，提出新算子，结果显示 TensorFlow 模型表现更优，为 AI 模型选择提供新框架。
在医疗科技领域，AI 模型对残疾疾病的预测至关重要，但现有选择方法难以整合不确定性、双极性、额外模糊信息和语言术语，导致模型选择不佳。为解决这一问题，来自巴基斯坦管理与技术大学、沙特伊玛目穆罕默德?本?沙特伊斯兰大学等机构的研究人员，开展了基于双极复模糊语言多属性决策技术选择 AI 模型预测残疾疾病的研究。他们提出新的 MADM 方法，经案例验证，TensorFlow 神经网络在多种算子下表现优于其他模型，该研究为医疗 AI 模型选择提供了更高效的框架，成果发表在《Scientific Reports》。
研究中，研究人员主要运用了双极复模糊语言集（BCFLS）理论，提出了双极复模糊语言 Maclaurin 对称平均（BCFLMSM）、加权 MSM（BCFLWMSM）、对偶 MSM（BCFLDMSM）和加权对偶 MSM（BCFLWDMSM）四种新算子，并构建了相应的 MADM 方法。通过定义 BCFLN 的运算规则，分析算子性质，结合实际案例数据进行模型评估。
案例研究与结果分析
研究选取了 TensorFlow 神经网络（Z?）、随机森林分类器（Z?）、支持向量机（Z?）和 XGBoost 预测模型（Z?）四种 AI 模型，从预测准确性（N?）、计算效率（N?）、可解释性（N?）和泛化能力（N?）四个属性进行评估，专家给出基于 BCFLN 的评估值，权重向量为（0.3, 0.1, 0.3, 0.4）。
- 聚合结果与排序：运用四种算子对数据聚合后，BCFLMSM 和 BCFLWMSM 算子下，Z?得分分别为 7.776 和 1.943，排名第一；BCFLDMSM 和 BCFLWDMSM 算子下，Z?得分分别为 0.44 和 0.006，表现最佳。不同算子因考虑属性间关系差异，导致模型排名不同，显示评估框架数学结构对选择结果的影响。
- 敏感性分析：改变评估值和属性权重后，不同算子下最优模型发生变化，验证了方法对数据变化的敏感性和准确性。
结论与意义
该研究提出的 BCFLS 框架及新型 MSM 算子，有效处理了决策中的不确定性、双极性、额外模糊信息和语言术语，为复杂医疗决策提供了更全面的工具。案例表明，TensorFlow 神经网络在多数情况下表现优异，但其排名依赖于评估方法，提示医疗结构需根据具体需求选择评估框架。该方法提升了 AI 模型评估的准确性和鲁棒性，对优化残疾疾病预测、改善患者护理和资源利用具有重要意义，为医疗技术管理决策提供了新范式。未来可进一步扩展至其他数学框架，如复杂直觉模糊集等，以增强方法的普适性。
