Technische Samenvatting: Shapley-regressie voor ondersteuning bij de diagnose van zeldzame ziekten (APDS-casestudy)

1. Probleemstelling

De diagnose van zeldzame primaire immunodeficiënties, specifiek het geactiveerde PI3Kδ-syndroom (APDS), staat voor een dilemma van "kleine data, hoge complexiteit". APDS wordt gekenmerkt door een lage prevalentie (geschat op 1–2 per miljoen), sterk heterogene symptomen en een aanzienlijke overlap met veelvoorkomende immuunstoornissen, wat leidt tot frequente onderdiagnose en vertraagde herkenning.

Vanuit het perspectief van machine learning worstelen bestaande benaderingen om voorspellende kracht te balanceren met klinische interpreteerbaarheid:

• Traditionele lineaire modellen (bijv. Logistische Regressie): Bieden stabiliteit op kleine datasets, maar veronderstellen additieve bijdragen van kenmerken, waardoor ze falen in het vastleggen van synergetische of redundante interacties tussen symptomen.
• Modellen met hoge capaciteit en niet-lineariteit (bijv. Neuronale Netwerken, XGBoost): Kunnen complexe interacties vastleggen, maar zijn vatbaar voor overfitting op kleine cohorten en missen de transparantie die nodig is voor klinische adoptie.

De uitdaging is om een model te ontwikkelen dat niet-lineaire symptoominteracties vastlegt (cruciaal voor biologische systemen) terwijl het de interpreteerbaarheid en stabiliteit behoudt die noodzakelijk zijn voor de diagnose van zeldzame ziekten.

2. Methodologie: Shapley-regressie (SR)

De auteurs stellen Shapley-regressie voor, een speltheoretische uitbreiding van logistische regressie die de standaard affiene predictor vervangt door een $k$-additief coöperatief spel.

Kernformulering

De kans op de positieve klasse (APDS) wordt gemodelleerd als:
$$P(y = 1 | \mathbf{x}) = \sigma\left(\beta + \sum_{A \subseteq F, A \neq \emptyset} I(A) \cdot \phi_A(\mathbf{x})\right)$$
Waarbij:

• $\mathbf{x}$ de genormaliseerde kenmerkvector is.
• $\sigma$ de sigmoid-functie is.
• $I(A)$ leerbare coëfficiënten zijn die Shapley-interactie-indices voor kenmerksubsets $A$ vertegenwoordigen.
• $\phi_A(\mathbf{x})$ basisfuncties zijn die zijn opgebouwd om directe speltheoretische interpretatie mogelijk te maken (gebaseerd op het Choquet-integraal).

Belangrijke Architecturale Keuzes

1. 2-Additieve Complexiteit: Om de "vloek van de dimensionaliteit" inherent aan kleine medische datasets te voorkomen, is het model beperkt tot $k=2$. Dit beperkt het leren tot:
   • Hoofdeffecten: Onafhankelijke bijdragen van enkele kenmerken ($|A|=1$).
   • Paarwise-interacties: Synergetische ($I > 0$) of redundante ($I < 0$) interacties tussen kenmerkpairs ($|A|=2$).
   • Hogere-orde interacties worden gedwongen tot nul, waardoor de parameterruimte wordt gereduceerd van exponentieel naar kwadratisch ($O(n^2)$).
2. Regularisatie: Het model maakt gebruik van $\ell_2$-regularisatie (Ridge) op de Shapley-indices. Theoretische analyse (met behulp van Structurele Risicominimalisatie en Algorithmische Stabiliteit) toont aan dat $\ell_2$-regularisatie een bovengrens biedt aan de generalisatiekloof en de stabiliteit van de interactieverklaringen waarborgt, in tegenstelling tot niet-geregulariseerde modellen die lijden aan hoge variantie in hoogdimensionale omgevingen.
3. Training: Het model wordt getraind door de geregulariseerde negatieve log-likelihood te minimaliseren op een uitgebreide kenmerkruimte die de basisfuncties voor singletons en pairs bevat.

3. Belangrijkste Bijdragen

1. Nieuwe Modelarchitectuur: Introductie van Shapley-regressie, die coöperatieve speltheorie integreert in logistische regressie om kenmerkinteracties expliciet te modelleren, terwijl de convexiteit en transparantie van lineaire modellen behouden blijven.
2. Theoretische Waarborgen: Het artikel biedt theoretische grenzen voor generalisatie en, cruciaal, voor de stabiliteit van verklaringen. Het bewijst dat $\ell_2$-regularisatie een harde bovengrens oplegt aan de variantie van Shapley-interactie-indices, waardoor de interpreteerbaarheid van het model robuust is tegen ruis.
3. Empirische Validatie:
   • Benchmarking: Geverifieerd op acht openbare biomedische datasets (waaronder Diabetes en COVID-19), wat bevestigt dat een 2-additief model met $\ell_2$-regularisatie een optimale afweging bereikt tussen voorspellende kracht en ruisrobustheid.
   • APDS-casestudy: Toegepast op een reële cohort van 222 patiënten (29 APDS-gevallen, 193 controles) uit het datawarehouse van het Necker-ziekenhuis.
4. Klinische Interpreteerbaarheid: De methode levert directe Shapley-interactie-indices op, waardoor clinici onderscheid kunnen maken tussen onafhankelijke symptomen, synergetische paren en redundante kenmerken zonder post-hoc benadering.

4. Resultaten

Voorspellende Prestaties

In een 5-geneste kruisvalidatie op het APDS-cohort bereikte het 2-additieve Shapley-regressiemodel:

• Gebalanceerde Nauwkeurigheid: 0,941 (superieur aan Lineaire LR bij 0,907 en XGBoost bij 0,884).
• Sensitiviteit (Recall): 0,933, het hoogst van alle modellen, wat wijst op een superieure capaciteit zeldzame APDS-gevallen te detecteren.
• Specificiteit: 0,948, waarbij een hoge nauwkeurigheid wordt behouden bij het identificeren van controles.
• Efficiëntie: Het model is computatieel lichtgewicht en werkt efficiënt op standaard CPU-hardware, waardoor het haalbaar is voor klinische implementatie zonder gespecialiseerde GPU's.

Interactieanalyse

Het model heeft succesvol het landschap van symptoominteracties in kaart gebracht:

• Validatie van Bekende Fenotypes: Het model identificeerde kernmanifestaties van APDS (bijv. immunodeficiëntie, splenomegalie, lymfopenie) als sterke positieve voorspellers.
• Interactie-inzichten:
  • Redundantie: Kernimmunologische kenmerken vertoonden negatieve interacties (redundantie) met andere fenotypes, wat aangeeft dat ze individueel zeer informatief zijn en weinig incrementele waarde toevoegen wanneer ze gecombineerd worden.
  • Contextuele Belangrijkheid: Symptomen zoals pijn en anesthesie vertoonden wijdverspreide positieve interacties met andere kenmerken, wat suggereert dat hun diagnostische waarde contextafhankelijk is in plaats van op zichzelf staand.
  • Tegengestelde Bevindingen: Sommige fenotypes (bijv. pleurale effusie, allergie) leken geïsoleerd negatief geassocieerd met APDS, maar vertoonden positieve interacties met niet-traditionele kenmerken, wat de capaciteit van het model benadrukt om complexe co-voorkomende patronen te ontwarren.
• Expertreview: Een klinisch expert valideerde de top 30 interacterende fenotypes, waarbij werd bevestigd dat 17 kernklinische manifestaties van APDS waren.

5. Betekenis en Claims

Het artikel claimt dat Shapley-regressie een pragmatische oplossing biedt voor het probleem van "kleine data, hoge complexiteit" bij de diagnose van zeldzame ziekten. De betekenis ligt in drie gebieden:

1. Overbrugging van de Kloof: Het slaagt erin de kloof te overbruggen tussen de expressiviteit van niet-lineaire modellen en de interpreteerbaarheid van lineaire modellen, een kritieke vereiste voor klinisch vertrouwen.
2. Stabiliteit van Verklaringen: In tegenstelling tot post-hoc verklaringmethoden (bijv. LIME, SHAP toegepast op black boxes), zijn de parameters van SR de verklaringen. De auteurs claimen een theoretisch bewijs dat $\ell_2$-regularisatie garandeert dat deze verklaringen stabiel en ruisinvariant zijn.
3. Klinische Nut: Het kader helpt niet alleen bij detectie (hoge sensitiviteit), maar faciliteert ook de verkenning van paarwise symptoominteracties, waardoor een complementair perspectief op ziektemechanismen wordt geboden dat traditionele additieve modellen missen.

De auteurs blijven bescheiden wat betreft de huidige cohortgrootte (222 patiënten), en merken op dat hoewel de resultaten veelbelovend zijn, grotere cohorten nodig zijn om de geïdentificeerde interacties robuust te valideren en de voorspellende zekerheid te verbeteren. Zij positioneren SR als een nuttig verkennend hulpmiddel voor het begrijpen van complexe fenotypische interacties bij zeldzame ziekten.