Riepilogo Tecnico: Regressione di Shapley per il Supporto alla Diagnosi di Malattie Rare (Caso di Studio APDS)

1. Enunciato del Problema

La diagnosi delle immunodeficienze primarie rare, in particolare la Sindrome da PI3Kδ Attivata (APDS), si trova di fronte a un dilemma "dati scarsi, alta complessità". L'APDS è caratterizzata da una bassa prevalenza (stimata tra 1 e 2 casi per milione), sintomi altamente eterogenei e una significativa sovrapposizione con disturbi immunitari comuni, portando a frequenti sottodiagnosi e ritardi nel riconoscimento.

Da una prospettiva di apprendimento automatico, gli approcci esistenti faticano a bilanciare il potere predittivo con l'interpretabilità clinica:

• Modelli Lineari Tradizionali (es. Regressione Logistica): Offrono stabilità su piccoli dataset ma assumono contributi additivi delle caratteristiche, fallendo nel catturare interazioni sinergiche o ridondanti tra i sintomi.
• Modelli Non Lineari ad Alta Capacità (es. Reti Neurali, XGBoost): Possono catturare interazioni complesse ma sono soggetti a overfitting su piccole coorti e mancano della trasparenza necessaria per l'adozione clinica.

La sfida consiste nello sviluppare un modello che catturi le interazioni non lineari dei sintomi (cruciali per i sistemi biologici) mantenendo al contempo l'interpretabilità e la stabilità necessarie per la diagnosi di malattie rare.

2. Metodologia: Regressione di Shapley (SR)

Gli autori propongono la Regressione di Shapley, un'estensione basata sulla teoria dei giochi della regressione logistica che sostituisce il predittore affine standard con un gioco cooperativo k-additivo.

Formulazione Principale

La probabilità della classe positiva (APDS) è modellata come:
$$P(y = 1 | \mathbf{x}) = \sigma\left(\beta + \sum_{A \subseteq F, A \neq \emptyset} I(A) \cdot \phi_A(\mathbf{x})\right)$$
Dove:

• $\mathbf{x}$ è il vettore delle caratteristiche normalizzato.
• $\sigma$ è la funzione sigmoide.
• $I(A)$ sono coefficienti apprendibili che rappresentano gli Indici di Interazione di Shapley per i sottoinsiemi di caratteristiche $A$.
• $\phi_A(\mathbf{x})$ sono funzioni di base costruite per consentire un'interpretazione diretta basata sulla teoria dei giochi (basata sull'integrale di Choquet).

Scelte Architetturali Chiave

1. Complessità 2-Additiva: Per prevenire la "maledizione della dimensionalità" intrinseca nei piccoli dataset medici, il modello è vincolato a $k=2$. Questo limita l'apprendimento a:
   • Effetti Principali: Contributi indipendenti delle singole caratteristiche ($|A|=1$).
   • Interazioni a Coppie: Interazioni sinergiche ($I > 0$) o ridondanti ($I < 0$) tra coppie di caratteristiche ($|A|=2$).
   • Le interazioni di ordine superiore sono forzate a zero, riducendo lo spazio dei parametri da esponenziale a quadratico ($O(n^2)$).
2. Regolarizzazione: Il modello impiega la regolarizzazione $\ell_2$ (Ridge) sugli indici di Shapley. L'analisi teorica (utilizzando la Minimizzazione del Rischio Strutturale e la Stabilità Algoritmica) dimostra che la regolarizzazione $\ell_2$ fornisce un limite sul divario di generalizzazione e garantisce la stabilità delle spiegazioni delle interazioni, a differenza dei modelli non regolarizzati che soffrono di alta varianza in contesti ad alta dimensionalità.
3. Addestramento: Il modello viene addestrato minimizzando la verosimiglianza negativa regolarizzata su uno spazio di caratteristiche espanso contenente le funzioni di base per singleton e coppie.

3. Contributi Chiave

1. Nuova Architettura di Modello: Introduzione della Regressione di Shapley, che integra la teoria dei giochi cooperativi nella regressione logistica per modellare esplicitamente le interazioni tra caratteristiche preservando al contempo la convessità e la trasparenza dei modelli lineari.
2. Garanzie Teoriche: Il documento fornisce limiti teorici sulla generalizzazione e, crucialmente, sulla stabilità delle spiegazioni. Dimostra che la regolarizzazione $\ell_2$ impone un tetto rigido alla varianza degli indici di interazione di Shapley, garantendo che l'interpretabilità del modello sia robusta al rumore.
3. Validazione Empirica:
   • Benchmarking: Validato su otto dataset biomedici pubblici (inclusi Diabete e COVID-19), confermando che un modello 2-additivo con regolarizzazione $\ell_2$ raggiunge un compromesso ottimale tra potere predittivo e robustezza al rumore.
   • Caso di Studio APDS: Applicato a una coorte reale di 222 pazienti (29 casi di APDS, 193 controlli) proveniente dal data warehouse dell'Ospedale Necker.
4. Interpretabilità Clinica: Il metodo restituisce direttamente gli Indici di Interazione di Shapley, permettendo ai clinici di distinguere tra sintomi indipendenti, coppie sinergiche e caratteristiche ridondanti senza approssimazioni post-hoc.

4. Risultati

Prestazioni Predittive

In una convalida incrociata annidata a 5 livelli sulla coorte APDS, il modello di Regressione di Shapley 2-additivo ha ottenuto:

• Accuratezza Bilanciata: 0,941 (superiore alla Regressione Logistica Lineare a 0,907 e a XGBoost a 0,884).
• Sensibilità (Recall): 0,933, la più alta tra tutti i modelli, indicando una capacità superiore nel rilevare i rari casi di APDS.
• Specificità: 0,948, mantenendo un'alta accuratezza nell'identificare i controlli.
• Efficienza: Il modello è computazionalmente leggero, eseguendosi efficientemente su hardware CPU standard, rendendolo fattibile per il dispiegamento clinico senza GPU specializzate.

Analisi delle Interazioni

Il modello ha mappato con successo il panorama delle interazioni dei sintomi:

• Validazione dei Fenotipi Noti: Il modello ha identificato le manifestazioni centrali dell'APDS (es. immunodeficienza, splenomegalia, linfopenia) come forti predittori positivi.
• Insight sulle Interazioni:
  • Ridondanza: Le caratteristiche immunologiche fondamentali hanno mostrato interazioni negative (ridondanza) con altri fenotipi, indicando che sono altamente informative individualmente e aggiungono poco valore incrementale quando combinate.
  • Importanza Contestuale: Sintomi come dolore e anestesia hanno mostrato ampie interazioni positive con altre caratteristiche, suggerendo che il loro valore diagnostico è dipendente dal contesto piuttosto che autonomo.
  • Risultati Controintuitivi: Alcuni fenotipi (es. versamento pleurico, allergia) apparivano associati negativamente all'APDS in isolamento ma mostravano interazioni positive con caratteristiche non tradizionali, evidenziando la capacità del modello di districare complessi modelli di co-occorrenza.
• Revisione Esperta: Un esperto clinico ha validato i 30 fenotipi interagenti principali, confermando che 17 erano manifestazioni cliniche fondamentali dell'APDS.

5. Significato e Affermazioni

Il documento afferma che la Regressione di Shapley offre una soluzione pragmatica al problema "dati scarsi, alta complessità" nella diagnosi di malattie rare. Il suo significato risiede in tre aree:

1. Colmare il Divario: Colma con successo il divario tra l'espressività dei modelli non lineari e l'interpretabilità dei modelli lineari, un requisito critico per la fiducia clinica.
2. Stabilità delle Spiegazioni: A differenza dei metodi di spiegazione post-hoc (es. LIME, SHAP applicati a scatole nere), i parametri della SR sono le spiegazioni. Gli autori affermano una prova teorica che la regolarizzazione $\ell_2$ garantisce che queste spiegazioni siano stabili e invarianti al rumore.
3. Utilità Clinica: Il framework non solo aiuta nel rilevamento (alta sensibilità) ma facilita l'esplorazione delle interazioni a coppie dei sintomi, fornendo una prospettiva complementare sui meccanismi della malattia che i modelli additivi tradizionali trascurano.

Gli autori rimangono modesti riguardo all'attuale dimensione della coorte (222 pazienti), notando che, sebbene i risultati siano promettenti, sono necessarie coorti più ampie per validare in modo robusto le interazioni identificate e migliorare la fiducia predittiva. Posizionano la SR come un utile strumento esplorativo per comprendere le complesse interazioni fenotipiche nelle malattie rare.