用于癌症风险评估中逆级联分类的分析框架

《Healthcare Analytics》:An analytics framework for inverse cascade classification in cancer risk assessment

【字体: 大 中 小 】 时间:2026年06月02日 来源:Healthcare Analytics CS4.4

编辑推荐:

  理解慢性疾病风险因素有助于人们做出知情的生活方式选择并延长寿命;然而,患者往往难以维持健康,因为健康信息可能令人不堪重负,且疾病通常具有多重病因。研究人员将来源于调查的预测因子映射至特定器官系统,并使用世界卫生组织国际疾病分类(WHO Internationa

  
理解慢性疾病风险因素有助于人们做出知情的生活方式选择并延长寿命;然而,患者往往难以维持健康,因为健康信息可能令人不堪重负,且疾病通常具有多重病因。研究人员将来源于调查的预测因子映射至特定器官系统,并使用世界卫生组织国际疾病分类(WHO International Classification of Diseases, ICD)定位癌症亚型,同时发现其与心理健康之间存在第三维关系。借助该框架,研究人员识别出高影响力风险因素,突出预防性措施,并估计年龄相关癌症发生的可能性,以指导生活方式干预。基于知识图谱驱动的特征选择,研究还提出一种逆级联深度学习(deep learning, DL)多标签分类器,即前馈神经网络(neural network, NN),用于良性多数类过滤,并结合仅在少数类上训练的机器学习(machine learning, ML)分类器,同时为少数类配置适配的超参数与交叉验证策略。该框架将风险因素与ICD章节相关联,揭示了慢性疾病、风险因素与心理健康之间相互关联的关系。
该论文发表于《Healthcare Analytics》,围绕癌症风险评估中的类别极度不平衡、多癌症亚型联合识别以及风险因素医学可解释性不足等问题,提出了一种融合知识图谱、世界卫生组织国际疾病分类(WHO ICD)映射与逆级联分类的新型分析框架。研究背景在于,癌症预防与早期识别高度依赖对风险因素的准确把握,但现实中的健康调查信息复杂、风险因素来源多样、癌症亚型众多且样本分布极不均衡,导致传统分类模型容易受多数类偏置影响,难以有效识别罕见癌症亚型。此外,常见的过采样、欠采样或代价敏感方法在极端不平衡和高维数据环境下往往效果有限,且解释性不足。基于此,研究人员尝试将健康调查中的风险因素与WHO ICD章节体系对齐,从器官系统层面组织癌症风险知识,以期同时提升模型性能与结果可解释性,并进一步探索风险因素、慢性病与心理健康之间的关联。

研究人员使用美国疾病控制与预防中心(CDC)行为风险因素监测系统(Behavioral Risk Factor Surveillance System, BRFSS)2017—2021年五个年度的健康调查数据,构建了一个面向癌症亚型预测的三维多标签框架。该框架不仅将“是否患癌/癌症亚型”作为分类目标,还将“癌症首次诊断年龄”纳入标签结构之中,从而形成同时包含类别信息与线性年龄维度的目标变量。研究将30种调查涉及的癌症亚型缩减为前20个少数类标签,以对齐既有文献基准,并保留“无癌症”作为多数类。通过对问卷问题文本进行关键词抽取、停用词去除及与WHO ICD 26个章节的交叉比对,研究建立了一个知识图谱式特征选择过程:将调查中的风险因素词项,如性别、糖尿病、肥胖、吸烟、饮酒、损伤与疲劳等,按其在ICD章节中的词频映射为结构化特征。这样生成的特征既可形成单一风险因素数据集,也可形成聚合全部风险因素的综合数据集。

在模型设计上,论文的核心创新是“逆级联”架构。与传统级联模型将前一模型输出继续传递给后一模型不同,该研究先由前馈神经网络在全数据上优先学习并识别良性多数类“无癌症”样本;若某个样本未被该模型判定为多数类真阳性,则将其从多数类过滤步骤中“剔除”后,输入专门面向少数类训练的机器学习分类器进行进一步癌症亚型判别。少数类分类器主要采用决策树(decision tree, DT)、随机森林(random forest, RF)和XGBoost(XG)进行比较。研究人员强调,这一逆级联结构的优势在于:多数类与少数类可采用不同的超参数调优方案和不同的交叉验证策略,从而分别适应两类数据的分布特征,降低传统统一建模时由多数类主导训练过程所带来的偏差。

研究使用的主要关键技术方法包括:第一,基于BRFSS 2017—2021年美国人群自报健康调查数据构建样本队列,并筛选具有癌症相关问答的州别样本;第二,采用知识图谱驱动特征选择,将调查问题关键词与WHO ICD章节进行匹配,并以词频构建器官系统导向特征;第三,建立包含癌症亚型与诊断年龄的三维多标签目标结构;第四,设计逆级联分类架构,以前馈神经网络过滤多数类,再由DT、RF、XG等少数类分类器执行亚型识别;第五,采用5折交叉验证用于神经网络多数类阶段,并对少数类分类器使用重复分层3折交叉验证,同时进行卡方拟合优度检验、2型相关性分析与平均绝对误差(mean absolute error, MAE)评估。

4.1. Trial results
在性能评估部分,研究重点比较了基线机器学习模型与逆级联模型对前20个癌症少数类亚型的识别效果,并以宏平均F1分数作为核心指标,以避免总体准确率被多数类人为抬高。结果表明,逆级联结构总体上提升了少数类识别能力,尤其是在随机森林上表现更为明显。对于综合全部风险因素的数据集,DT与RF基线模型的F1分数均为0.097,而前馈神经网络与DT结合后升至0.103,前馈神经网络与RF结合后达到0.100,显示级联结构在整合多类风险因素时具备增益。相较之下,XGBoost在逆级联框架中未表现出优势,综合风险因素条件下其F1分数由0.093降至0.091,提示其在仅针对少数类子集建模时难以维持性能。研究据此认为,将多数类样本先行过滤后,再针对少数类单独训练分类器,能够改善少数类判别效果,并为多数类与少数类分别配置更合适的验证与调参策略。

进一步的卡方拟合优度检验支持了上述判断。随机森林相较基线模型的改进达到统计学显著,而决策树虽有改善但未达到显著水平;XGBoost则表现为显著退化。这说明逆级联架构并非对所有分类器均等有效,而是与模型类型、特征维度以及少数类数据结构存在相互作用。

4.2. Risk factor results categorisation
在风险因素分类结果方面,研究利用WHO ICD章节作为器官系统与疾病脆弱性分类载体,对各风险因素的高相关章节进行了排序。酒精相关风险因素在多种模型中与“精神、行为或神经发育障碍”章节相关;糖尿病相关风险因素稳定对应“内分泌、营养或代谢性疾病”章节;性别、损伤与疲劳组合则对应“外部原因”章节;性别与体重组合倾向对应“围生期”章节;吸烟则主要与“肿瘤”或文中关于“cigarettes”词项所在ICD章节映射所揭示的精神健康相关章节形成联系。论文特别强调,某些物质使用相关风险因素映射至心理健康相关ICD章节,构成了癌症风险、物质滥用与心理健康之间的三向联系。研究并未以因果推断表述这一关系,而是将其作为由知识映射与特征重要性共同揭示的结构性相关结果。这一结果的重要意义在于,它使癌症风险识别不再局限于单一行为指标,而是上升到器官系统与精神健康维度的综合框架。

4.3. Multi-label risk factor to cancer diagnosis age association
在多标签中的年龄维度分析部分,研究通过Pearson相关分析评估各类风险因素与癌症诊断年龄之间的关系,并采用决定系数r2与平均绝对误差进行量化。结果显示,各风险因素类别的r2值均非常低,约在0.001365至0.002822之间,MAE约为29.884至30.441,说明基于简单线性关系,BRFSS风险因素与癌症诊断年龄之间的关联十分有限。研究据此指出,年龄相关癌症诊断模式更可能是非线性的,难以通过简单线性基线充分刻画。尽管如此,将诊断年龄纳入多标签结构仍提升了数据表示的一致性,并为后续非线性建模和可视化分析提供了基础。

4.4. Ablation study
消融研究进一步说明了框架构成的必要性。研究在高内存环境下同时训练前馈神经网络与多个少数类分类器,并对原始健康调查进行了风险因素映射和ICD词频线性化处理。结果显示,仅依赖神经网络并使用面向类别不平衡的损失函数时,对20个癌症亚型的少数类宏平均F1分数仍低于0.1;当标签数减少至5或6类时,F1分数有所改善;二分类时则显著上升。这表明深度学习模型在高类别数、极端不平衡、且经知识图谱特征选择后的结构化调查数据上,对少数类识别能力有限,更适合作为多数类过滤器。研究因此主张,前馈神经网络用于过滤良性多数类,而将恶性少数类交由更具可解释性的机器学习模型处理,是更合理的架构组合。

5. Discussion
讨论部分首先将本文与现有级联集成研究进行对比,指出其新颖性在于“逆级联”的定义:不是将前级模型输出传入后级,而是将前级模型已识别的样本从后续输入中移除。该策略使多数类与少数类在训练逻辑上分离,支持分别调节超参数和交叉验证方案,从而为极端类别不平衡问题提供了区别于过采样、欠采样的数据层方法之外的算法层替代路径。

其次,研究指出,基于WHO ICD的特征重要性排序在不同试验中表现出较高一致性,说明风险因素与器官系统之间的映射不仅具有解释价值,也能为个体化风险评估提供线索。级联结构的有效性则体现在:深度学习阶段集中学习多数类模式,后续机器学习阶段则针对少数类进行更精细识别。多标签结构加入诊断年龄后,不仅增强了目标变量表达,也使不同年龄段风险模式的探索成为可能。

在临床与实践意义上,研究表明,自报式健康调查数据可被转化为一个可解释的癌症风险识别框架,用于支持生活方式干预与预防决策。尤其是将物质滥用与心理健康相关章节联系起来,为慢性病和癌症风险筛查引入了新的维度。与此同时,研究也明确指出局限性:BRFSS为自报数据,因此结果应理解为相关而非因果;研究仅保留前20个癌症少数类,未覆盖更多罕见亚型;交叉验证下模型结果存在一定波动;年龄预测的线性基线表现较差,提示潜在关系更可能为非线性。

结论部分指出:本文强调了识别和预测癌症亚型风险因素以通过早期检测改善生存结局的紧迫性。研究回顾了相关工作,并指出针对多种不同癌症亚型分类的研究仍较为有限。研究提出了一种级联集成架构:使用前馈神经网络(NN)过滤良性多数类样本,并使用面向少数类的机器学习(ML)分类器检测恶性少数类样本。该框架为其他研究提供了一个平台,可并行处理多数类偏置与少数类稀缺问题,针对多数类和少数类分别调优超参数,并选择不同的交叉验证配置。最后,研究提出了一种多标签格式,能够在定性识别癌症亚型的同时量化诊断年龄,并利用WHO ICD按器官系统对风险因素进行相关联与分类。特别是,这种分类揭示了物质滥用与心理健康之间的联系,强调应将心理健康纳入慢性病研究,从而形成风险因素、心理健康与慢性疾病之间的三方联系。研究还证明,将WHO ICD关键词与BRFSS健康调查关键词结合用于判定慢性疾病风险因素具有有效性,因为试验结果表明,关键词词频的聚合能够提高癌症亚型预测的F1分数。未来研究可在更高内存环境中探索针对少数类的专门化模型,以提高精度并缓解不平衡数据集的局限性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号