《Frontiers in Endocrinology》:Expert knowledge-based weighted K-means clustering for polycystic ovary syndrome phenotype identification
编辑推荐:
背景: 多囊卵巢综合征(PCOS)是一种异质性内分泌疾病,影响全球8%–13%的女性人群。其临床异质性使得二元分类方法在表型分组的生物学意义及PCOS个体化管理方面效果欠佳。为解决这一问题,研究人员提出了基于专家知识加权的K-means(EKWKM)方法。
目
背景: 多囊卵巢综合征(PCOS)是一种异质性内分泌疾病,影响全球8%–13%的女性人群。其临床异质性使得二元分类方法在表型分组的生物学意义及PCOS个体化管理方面效果欠佳。为解决这一问题,研究人员提出了基于专家知识加权的K-means(EKWKM)方法。
目的: 所提出的EKWKM是一种新的弱监督表型识别方法,它利用结构化临床知识与基于互信息(MI)的特征加权相结合,其中特征加权过程为弱监督,而聚类则为无监督。
方法: EKWKM使用一个临床数据集(n=541,41个特征)和一个大规模人群研究(n=120,000)进行基准测试。针对K∈{2, 3, 4}和α=0.1–0.9进行了网格搜索。采用轮廓系数(95%自助法置信区间)、调整兰德指数(ARI)和戴维斯-布尔丁(DB)指数来量化聚类质量。通过Kruskal-Wallis检验结合Benjamini-Hochberg校正及ε2效应量来衡量生物标志物重要性。
结果: 最有效的临床模型(K=2,α=0.9)获得了0.3606的轮廓系数。该模型还实现了ARI=0.9780±0.0362和DB=1.1480,并识别出13个显著生物标志物。人群调查作为阴性对照数据集[随机森林曲线下面积(AUC)=0.4974±0.0096],未显示表型信号。跨数据集转移使Cramér's V从0.497降至0.006,证实了EKWKM未引入虚假模式。消融分析确认,聚类的主要部分归因于数据驱动的MI,而专家知识提高了聚类的稳健性。
结论: EKWKM形成了具有临床意义且基于鹿特丹标准的PCOS表型聚类。相比之下,人群调查聚类形成的是症状报告模式,而非有意义的PCOS表型。
论文解读文章
研究背景与问题提出
多囊卵巢综合征(PCOS)是全球育龄女性中最常见的内分泌疾病之一,依据鹿特丹标准,其患病率约为8%–13%。该综合征临床表现高度异质,涵盖高雄激素血症、卵巢功能障碍、多囊卵巢形态、胰岛素抵抗、血脂异常及2型糖尿病风险升高等多方面特征。尽管鹿特丹共识定义了四种经典表型,但这种分类方式仅部分描述了临床实践中观察到的生物学多样性,对个性化诊疗的指导作用有限。近年来,机器学习驱动的聚类技术被越来越多地应用于识别统计可靠且临床有意义的患者亚组,例如Gao等人在《Nature Medicine》上发表的研究,通过对五个国际队列共11,908名女性的分析,识别出四个数据驱动的亚型。然而,标准K-means算法假设所有特征具有同等重要性,无法优先考虑诊断相关的特定标记物。互信息(MI)虽能系统建模非线性特征-结局交互,但在小型或有噪声的临床数据中可靠性不足。目前尚无研究同时实现以下三点:对混合参数α进行穷举网格搜索;在同一混合框架下同时验证小型临床队列和大规模人群样本;通过经验性消融研究实证确定每个加权项的具体贡献。为此,研究人员提出了基于专家知识加权的K-means(EKWKM)框架。
研究方法概述
研究人员采用了两个公开可用的PCOS数据集:数据集1为临床队列(n=541,41个临床特征),数据集2为大规模人群调查(n=120,000,15个人群调查特征)。关键技术方法包括:(1)数据预处理,移除管理性信息,对缺失值采用列中位数填补,并对所有变量进行z-score标准化;(2)基于互信息的特征选择,计算各特征与诊断标签之间的MI值,并通过置换检验(200次排列,95百分位阈值经Benjamini-Hochberg校正)确定信息性特征;(3)混合专家-数据加权策略,对于每个选定的特征,将归一化的MI得分与四位妇科/产科专家独立评分的归一化专家权重进行凸组合,由参数α(0.1至0.9)控制两者平衡;(4)加权K-means聚类与网格搜索,在K∈{2,3,4}和α∈{0.1,…,0.9}范围内进行网格搜索,每次运行执行100–200次随机初始化,以最大化轮廓系数选择最优配置;(5)聚类验证,使用轮廓系数(95%自助法置信区间)、戴维斯-布尔丁(DB)指数和基于子采样稳定性的调整兰德指数(ARI)进行评估;(6)生物标志物统计分析,采用Kruskal-Wallis检验结合Benjamini-Hochberg错误发现率(FDR)校正,并使用ε2效应量评估差异大小。
研究结果
4.1 最优聚类结构(K)与混合系数(α): 对于临床数据集(n=541),网格搜索表明K=2、α=0.9为最佳配置,轮廓系数达0.3606(95%CI: 0.3381–0.3866),ARI为0.9780±0.0362,DB为1.1480。K=3和K=4虽然在某些α值下存在有效配置,但均未超过K=2的轮廓系数。对于人群调查数据集(n=120,000),研究人员选择了K=4、α=0.1作为参考配置(轮廓系数=0.5023,ARI=0.9654±0.0891,DB=0.8867),而非那些达到离散空间ARI≈1.000上限的退化配置。
4.2 临床PCOS结果: 最优配置(K=2,α=0.9)将541名患者分为两个簇:簇0(N=180,33.3%)和簇1(N=361,66.7%),接近PCOS阳性实际频率(32.7%)。轮廓系数较未加权基线(0.1565)提升130.3%,ARI在30次重采样中达0.9780±0.0362,表明分区稳健。Alpha敏感性分析显示轮廓系数和ARI随α增加单调上升,DB指数单调下降。t-SNE二维投影展示了清晰分离的两个簇。在生物标志物显著性分析中,20个选定特征中有13个经BH-FDR校正后统计学显著。两个生物标志物呈现大效应量——右侧卵泡数(ε2=0.6185)和左侧卵泡数(ε2=0.5521),均为多囊卵巢形态的诊断特征。另有五个特征呈现中等效应量:皮肤变黑(ε2=0.137)、毛发过度生长(ε2=0.121)、周期不规律(ε2=0.086)、体重增加(ε2=0.084)和快餐消费(ε2=0.066)。为排除循环论证,研究人员使用未参与聚类的21个特征重新分析,仍有八个特征保持FDR显著,包括BMI(ε2=0.032)、腰围(ε2=0.029)等,证明聚类反映真实生理学而非特征重复。表型表征显示簇0为活跃的高雄激素表现型,富集所有四种鹿特丹表型(52.2%符合鹿特丹标准),簇1则对应轻度/亚临床或PCOS阴性表现(94.7%为非鹿特丹标准)。与鹿特丹标准的正式交叉表分析显示强关联(χ2=189.84,df=4,p=5.73×10???,Cramér's V=0.592)。
4.3 人群调查PCOS结果: K=4、α=0.1产生了四个平衡的簇(占比16.7%–30.0%)。但由于五个选定的MI变量均为二分类变量,整个特征空间仅有32种取值组合,导致聚类几乎呈确定性。丢弃一个特征分析表明,去除月经规律性、多毛症或生育问题会显著改变分区(ARI分别为0.44、0.50和0.68),而去除PCOS认知度和城乡状况则无变化(ARI=1.00)。生物标志物分析中,三个特征具有大效应量:月经规律性(ε2=1.0000)、多毛症(ε2=0.699)和生育问题(ε2=0.420),但这些高效应量部分源于聚类使用了这些二分类特征的循环性。PCOS认知度和城乡状况在簇间无显著差异。
4.4 跨数据集性能总结: 在两个数据集上,EKWKM在轮廓系数、ARI稳定性和DB指数方面均优于未加权K-means基线。对于数据集1,轮廓系数提升130.3%;对于数据集2,提升81.7%。
4.5 跨数据集外部验证: 研究人员通过五个临床可比特征(年龄、BMI类别、月经规律性、多毛症和痤疮)连接两个数据集,将临床数据集训练的K=2模型直接应用于120,000条调查记录。结果显示Cramér's V从0.497降至0.006,证实EKWKM未在人群中引入虚假模式,人群调查形成的聚类仅为症状报告模式而非真实的PCOS表型。
讨论与结论
讨论部分指出,EKWKM框架成功形成了具有临床意义且基于鹿特丹标准的PCOS表型聚类。消融分析证实,聚类的主要驱动力来自数据驱动的互信息成分,而专家知识的加入提升了聚类的稳健性。跨数据集转移实验的结果确认了方法的有效性——人群调查数据作为阴性对照未检测到真正的PCOS表型信号。研究同时指出了若干局限性:特征加权过程中使用了诊断标签信息(弱监督),可能导致一定程度的自我参照;专家评分采用独立打分而非德尔菲共识;部分特征(如卵泡计数和周期规律性)同时用于聚类和后续的鹿特丹标准验证,存在信息重叠。研究结论明确指出:EKWKM形成了具有临床意义且基于鹿特丹标准的PCOS表型聚类,而人群调查聚类形成的是症状报告模式,并非有意义的PCOS表型。