《Scientific Reports》:Deep learning for incidence rate prediction and radiation risk assessment of solid tumors
编辑推荐:
本研究旨在解决传统参数模型在辐射风险评估中因模型设定依赖性强而可能影响结果稳健性的问题。研究人员利用寿命研究队列数据,评估了深度神经网络用于预测肿瘤发病率和评估辐射风险的可行性与实用性。研究发现,DNNs在预测性能上与参数模型相当或略优,且在超额相对风险估计上提供了基于剂量为主要驱动因素的新视角。这项工作表明,DNNs可作为参数模型的有力补充工具,为探索辐射风险中复杂的非线性模式和交互作用提供了新途径。
在保护公众健康、制定安全标准和推动辐射安全研究的过程中,准确评估辐射风险至关重要。长期以来,这一领域的研究主要依赖于流行病学调查和参数风险模型。这些传统模型结构简单、易于解释,就像一个遵循固定公式的“老专家”,但其给出的风险评估结果,却可能高度依赖于研究者事先为其设定的数学形式。换句话说,不同的模型设定,可能会推导出差异显著的风险估计,这无疑为精准的风险认知和管理带来了不确定性与挑战。
与此同时,以深度神经网络为代表的人工智能技术正在许多科学领域掀起革命。它们像具备强大学习能力的“新大脑”,能够从海量数据中自动捕捉复杂模式,而无需研究者预先做出过多假设。然而,这个“新大脑”在辐射风险评估这个专业战场上究竟能发挥多大潜力?它是否真的比“老专家”更可靠?其自身又有哪些局限?这些问题在很大程度上仍未得到充分探索。
为了回答这些问题,一项发表在《Scientific Reports》上的研究进行了一次开创性的“人机对比”实验。研究人员选取了辐射效应研究基金会寿命研究队列这一经典数据集作为“考场”,让深度神经网络与传统的参数模型同台竞技,核心任务是预测实体肿瘤的发病率并进行辐射风险评估。这场较量不仅关乎预测准确性,更旨在揭示两种方法论在风险归因理解上的根本差异。
研究团队主要运用了深度神经网络建模、传统参数模型拟合、以及基于SHAP值的模型可解释性分析等关键技术方法。其中,寿命研究队列提供了关键的流行病学数据支撑。
研究结果
深度神经网络展现出可比的预测性能与更高的模型灵活性
研究发现,在预测肿瘤发病率方面,深度神经网络在预设的评估指标上表现略微更优或与传统参数模型相当。更重要的是,DNNs因其固有的结构特性,具有更少的预设假设和更高的模型独立性,从而在处理复杂数据关系时提供了更大的灵活性。
风险评估结果出现显著差异:剂量驱动与模型驱动
一个引人深思的现象是,尽管在发病率预测上精度相近,但深度神经网络与参数模型所估算出的超额相对风险值却存在显著差别。在参数模型中,ERR的估计深受基线风险函数形式以及年龄效应修饰因子函数形式等预设模型规格的影响。而DNNs的估算则呈现了不同的风险归因图景。
可解释性分析揭示差异根源:辐射剂量被识别为关键驱动因素
为了探究上述差异的来源,研究人员采用了SHAP值对训练好的深度神经网络进行解读。分析表明,DNNs将辐射剂量识别为对超额相对风险贡献最大的首要因素。这提供了一个不同于参数模型视角的风险解读,强调了辐射暴露本身在DNNs风险估算框架中的核心地位。
结论与讨论
本研究系统评估了深度神经网络应用于辐射风险研究的可行性与实用性。结论表明,DNNs能够提供与传统参数模型性能相当甚至略优的肿瘤发病率预测,并因其更少的预设假设而具备独特的模型独立性优势。然而,两者在关键的风险指标——超额相对风险估计上得出的不同结果,凸显了方法学选择对风险评估结论的潜在影响。
深度神经网络通过SHAP分析所提供的“剂量核心驱动”视角,为理解辐射风险贡献了另一种有价值的思路。尽管DNNs存在可解释性相对较低、置信区间构建困难等局限性,但这项研究有力地论证了它们可以作为经过良好设定的参数模型的重要补充工具。在面对辐射风险评估中可能存在的复杂非线性关系和因素间交互作用时,深度神经网络为我们提供了新的探索手段。这项工作不仅推动了计算方法在辐射流行病学中的应用前沿,也为未来建立更稳健、更多元的健康风险评估框架奠定了基础。