创伤失血性休克是严重创伤引起的最危急生命的并发症之一,其发病迅速、死亡率高。若能及时准确识别出创伤失血性休克患者,采取有效干预措施,则可极大降低致死致残率。在医疗领域,每次决策关乎患者生命健康,提高模型性能、增强模型可解释性,为提供医护人员可靠辅助决策支持具有重要意义。为此,本文利用多目标优化思想为创伤失血性休克预测提供一套新的解决方案。首先,根据纳入排除标准从301医院急救数据库识别出患者样本604例（102正例,502负例）,提取截面数据,并进行数据清洗、缺失值插补、标准化以及归一化等预处理过程。采用集成学习思想,提出一种集成特征选择算法。将Lasso、随机森林和XGBoost作为基特征选择算法,计算各算法稳定性并视为权重进行加权,提高了算法的可解释性和稳定性,进而得到了一组最具有可解释性的关键指标集（心率、收缩压、国际标准化比值、舒张压、凝血酶时间测定、二氧化碳、血红蛋白测定、白细胞、乳酸）。其次,分别以模型精度和网络结构复杂度作为目标,采用元胞遗传算法优化人工神经网络结构和权重,构建出两个创伤失血性休克预测模型,一定程度上,满足医务工作者不同的决策偏好,但该方法无法同时兼顾模型的精度和可解释性。进一步,引入多目标优化,将模型精度和复杂度同时作为优化目标,构建多目标神经网络预测模型。并对元胞遗传算法进行以下优化工作:1)通过量子比特编码描述神经元结构;2)建立三维元胞网络空间;3)种群内个体邻居进行“断点重连”;4)改进神经网络权重进化方式。最终产生3个不同精度和可解释性的预测模型（模型精度最高可达88.6%,复杂度最低可达10）,并从中提取出对应的规则,满足了医务工作者不同的决策偏好。综上,本文从深度学习可解释性的角度对创伤失血性休克预测方法展开研究,为该领域的研究增添了新内容。关键指标筛选结果不仅可以缩短病理筛查时间,还可进一步探究和了解创伤失血性休克的病理生理机制,推动该并发症救治研究的发展。此外,本文建立的多个不同准确率和可解释性的创伤失血性休克预测模型和规则,降低了预测经验门槛,可以根据实际需求辅助不同偏好的医务工作者进行决策。