🤖 machine learning

Towards symbolic regression for interpretable clinical decision scores

本文提出了一种名为 Brush 的新符号回归算法，它通过结合决策树式分裂与非线性常数优化，成功将基于规则的逻辑融入模型中，从而在保持高预测精度的同时生成了比传统方法更简洁、可解释的临床决策评分模型。

原作者： Guilherme Seidyo Imai Aldeia, Joseph D. Romano, Fabricio Olivetti de Franca, Daniel S. Herman, William G. La Cava

发布于 2026-04-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Guilherme Seidyo Imai Aldeia, Joseph D. Romano, Fabricio Olivetti de Franca, Daniel S. Herman, William G. La Cava

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一种名为 Brush（刷子） 的新型人工智能算法，它的核心目标是：让机器不仅能“算得准”，还能像人类医生一样“讲得清”道理。

为了让你轻松理解，我们可以把这项技术想象成是在教机器**“写菜谱”**。

1. 背景：为什么我们需要“会讲道理”的 AI？

在医疗领域，医生做决策时通常依赖两种工具：

黑盒模型（如复杂的神经网络）： 就像一位天才大厨，他做的菜（预测结果）非常好吃（准确率高），但你问他“为什么放这么多盐？为什么先炒后炖？”，他答不上来，或者给出的理由你听不懂。这在医疗上很危险，因为医生需要知道依据才能放心治疗。
传统评分表（如 CART、MEWS）： 就像一本老式菜谱，上面写着：“如果病人发烧超过 38.5 度，加 2 分；如果心率超过 140，加 3 分……"。这种规则非常清晰、简单，医生一眼就能看懂，但它们是人工手写的，可能不够灵活，无法捕捉数据中复杂的规律。

现有的“符号回归”（Symbolic Regression）算法试图让机器自己发现数学公式（比如 $y = ax^2 + b$ ），但这就像让机器只写纯数学公式。虽然准确，但往往太复杂，医生看不懂，或者无法处理像“如果发烧且心率快”这种**“如果……那么……"**的逻辑判断。

2. Brush 是什么？—— 一把能“修剪”也能“绘画”的魔法刷子

Brush 就是为了解决这个问题而生的。它结合了两种能力：

像决策树一样的“分叉路口”： 它能处理“如果 A 大于 10，走左边；否则走右边”这种逻辑。
像数学公式一样的“精密计算”： 它能在每个路口里，自动优化具体的数字和公式，而不是随机猜测。

🌰 生活化的比喻：

想象你在教一个机器人**“如何判断病人是否危险”**。

传统的决策树（Decision Tree）： 就像让机器人画一张巨大的迷宫图。它可能会画出几百条路，虽然能走通，但图太乱，医生根本没法看。
传统的符号回归（Symbolic Regression）： 就像让机器人写一本厚厚的数学书。虽然逻辑严密，但全是公式，医生看着头大。
Brush（我们的主角）： 它像一位经验丰富的老中医。
- 它先问：“病人呼吸快吗？”（这是一个分叉路口，像决策树）。
- 如果快，它直接给出一个高风险判断。
- 如果不快，它再问：“血压低吗？”
- 在回答这些问题的过程中，它不是死记硬背数字，而是自动微调出最合适的“阈值”（比如血压低到多少才算危险），就像老中医在开方子时，会根据病人情况精准调整药量（这是非线性优化）。

Brush 的核心创新在于： 它能把“如果……那么……"的逻辑（分叉）和“加减乘除”的计算（公式）完美融合在一起，并且能自动把模型“修剪”得简单易懂。

3. 它是怎么工作的？（简单三步走）

乱涂乱画（初始化）： 先随机生成一堆乱七八糟的“逻辑树”和“公式”。
优胜劣汰（进化）： 就像生物进化一样，保留那些预测得准、且公式简单的模型，淘汰那些又长又错的。
精雕细琢（优化）： 这是 Brush 的绝活。当它发现一个分叉路口（比如“心率>110"）时，它不会随便定个 110，而是会自动计算，发现"111"可能更准，或者发现这个路口下面的公式应该是 $0.5 \times \text{心率} - 20$ ，而不是随便写的数字。它能把复杂的公式“压缩”成简单的规则。

4. 实验结果：它真的好用吗？

作者用两个大考来测试 Brush：

考试一：物理题（SRBench）
- 任务： 让机器从一堆带噪音的数据中，反推出物理定律（比如牛顿定律）。
- 结果： Brush 表现得像学霸，不仅算得准（99.9% 的准确率），而且写出的公式非常简洁，比很多竞争对手（如 PS-Tree）要小得多。它甚至能在数据很“脏”（噪音大）的情况下，依然找回正确的公式。
考试二：医院急诊（临床数据）
- 任务： 利用真实的病人数据，预测病人是否会突然病情恶化。
- 对比： 拿 Brush 和传统的“评分表”（CART, MEWS）、决策树、随机森林等做对比。
- 结果：
  - 准确度： Brush 和顶尖的机器学习模型一样准，甚至更好。
  - 可读性（关键）： 这是 Brush 的杀手锏。它生成的模型非常小（节点少），而且逻辑清晰。
  - 案例： 在预测“心脏骤停风险”时，Brush 自动学会了医生常用的规则：“如果呼吸率 > 21，直接报警；否则，如果血压低且心率快，再报警……"。它甚至自动发现了一些医生没注意到的细节（比如结合年龄和心率），但整体逻辑依然符合医生的直觉。

5. 总结：为什么这很重要？

在医疗领域，“黑盒”是行不通的。医生需要知道“为什么”病人被判定为高风险，才能放心地采取行动。

以前的 AI： 要么太准但看不懂（黑盒），要么太简单但不够准（老式评分表）。
Brush 的突破： 它找到了完美的平衡点。它像一把智能刷子，既能画出复杂的图案（处理非线性数据），又能把线条修剪得干净利落（生成可解释的规则）。

一句话总结：
Brush 让 AI 不再只是一个只会算数的“计算器”，而是一个能像人类专家一样，既算得准、又能把道理讲得清清楚楚的“智能助手”。这对于未来开发更可靠、更安全的医疗辅助系统来说，是一个巨大的进步。

以下是基于论文《Towards symbolic regression for interpretable clinical decision scores》（面向可解释临床决策分数的符号回归）的详细技术总结：

1. 研究背景与问题 (Problem)

临床决策的复杂性：医疗决策常依赖结合风险方程与规则算法的模型（如 CART、MEWS 评分系统），这些模型需要清晰、标准化的治疗路径。
符号回归 (SR) 的局限性：传统的符号回归旨在从数据中发现数学表达式，但其搜索空间通常局限于连续函数形式及其参数。这使得 SR 难以直接建模包含“分裂操作”（split-wise operations，即基于阈值的规则判断，如 $x > \tau$ ）的决策逻辑。
现有方法的不足：
- 纯数学表达式对临床医生的数学素养要求较高，不如决策树直观。
- 现有的结合决策树与 SR 的方法（如 PS-Tree）往往模型过大，且缺乏对非线性的参数优化能力，导致收敛慢或无法达到全局最优。
- 现有的 SR 算法难以在保持可解释性的同时，有效处理包含离散规则（如临床评分中的阈值判断）的混合逻辑。
核心挑战：如何在符号回归中无缝集成基于规则的逻辑（分裂节点），同时保留非线性参数优化的能力，以生成既准确又高度可解释的临床决策模型。

2. 方法论 (Methodology)

论文提出了一种名为 Brush 的新型符号回归算法，基于遗传编程 (Genetic Programming, GP) 框架，主要创新点如下：

分裂节点 (Split Node)：
- 引入了一种受经典决策树启发的专用分裂节点算子。该节点包含三个分支：条件子树 ( $f_c$ )、真分支 ( $f_T$ ) 和假分支 ( $f_F$ )。
- 通过比较 $f_c$ 与可学习的阈值 $\tau$ 来决定数据流向。
- 阈值优化：算法通过最小化分裂后两侧子集的目标方差来寻找最优阈值 $\tau^*$ ，本质上执行了一维聚类。
- 灵活性：分裂可以发生在表达式的任意位置，不仅限于树根，允许构建混合了数学公式和逻辑规则的复杂结构。
非线性参数优化：
- 结合 Levenberg-Marquardt (LM) 算法进行局部参数优化。
- 分层优化策略：先优化条件子树，再确定最优分裂阈值，最后固定分裂条件，对剩余表达式的参数进行拟合。这种策略解决了分裂节点带来的不连续性优化难题。
多目标优化与进化策略：
- 目标：同时最小化均方误差 (MSE) 和模型线性复杂度（节点数量）。
- 选择机制：使用 $\epsilon$ -lexicase 选择算法。
- 生存机制：使用 NSGA-II 非支配排序，确保在帕累托前沿上找到性能与复杂度的最佳平衡。
- 简化后处理：应用不精确简化 (inexact simplification) 技术，用更简单的子树替换功能近似的大子树，进一步压缩模型。
分类任务扩展：
- 将 Brush 扩展至分类任务，在表达式树根节点固定一个逻辑回归节点，支持输出概率估计，无需修改核心算法即可处理二分类问题。

3. 关键贡献 (Key Contributions)

算法创新 (Brush)：首次将决策树式的分裂操作与非线性参数优化无缝集成到符号回归框架中，解决了 SR 难以处理规则逻辑的痛点。
基准测试表现：在 SRBench（包含 122 个真实世界数据集和 130 个物理方程数据集）上，Brush 实现了帕累托最优性能。在噪声环境下，超过 50% 的解达到了 $R^2 > 0.999$ ，且生成的模型表达式显著小于其他 SR 方法（如 PS-Tree, Operon）。
临床应用验证：利用 MIMIC-IV-ED 电子健康记录数据，成功复现并优化了两种广泛使用的临床评分系统（CART 和简化版 MEWS）。
- 在回归任务（预测分数）中，Brush 达到了与随机森林 (RF) 和决策树 (DT) 相当的 $R^2$ ，但模型规模小几个数量级。
- 在分类任务（预测恶化风险）中，Brush 的 AUPRC 表现优于 FEAT 和逻辑回归，且模型比决策树更紧凑。
可解释性提升：生成的模型不仅准确，而且结构清晰，能够捕捉到临床评分系统的核心逻辑（如呼吸频率、心率、血压的阈值判断），便于医生理解和信任。

4. 实验结果 (Results)

SRBench 基准测试：
- 黑盒问题：Brush 在测试集 $R^2$ 排名中位列第二，且模型大小排名显著优于 PS-Tree 和 Operon。
- 真值问题 (Ground-truth)：在费曼 (Feynman) 和斯特罗加茨 (Strogatz) 物理方程恢复任务中，Brush 在有无噪声的情况下均表现出极高的鲁棒性，成功恢复了约一半以上的方程。
临床决策实验 (MIMIC-IV)：
- 回归任务 (预测 MAP, CART, MEWS 分数)：
  - Brush 在 MAP 预测上达到 $R^2 \approx 1.0$ ，模型大小仅为 13 个节点左右，远小于 PS-Tree (217 节点) 和 DT (11662 节点)。
  - 在 CART 和 MEWS 分数预测上，Brush 的 $R^2$ 分别为 0.82 和 0.74，虽略低于 PS-Tree，但模型大小仅为后者的 1/10 到 1/20。
- 分类任务 (预测恶化风险)：
  - Brush 在 CART 恶化预测中 AUPRC 达到 0.99，MEWS 中达到 0.95，与决策树相当或更优，且模型复杂度显著低于随机森林。
  - 消融实验：移除分裂节点后，分类任务的 AUPRC 显著下降（CART 从 0.99 降至 0.78），证明了分裂节点对临床分类任务的关键作用。
- 模型案例：Brush 生成的模型能够自动识别关键特征（如呼吸频率>21，舒张压<35 等），并构建出符合临床直觉的嵌套规则结构。

5. 意义与结论 (Significance & Conclusion)

填补空白：Brush 成功弥合了纯数学符号回归与基于规则的决策树之间的鸿沟，为开发数据驱动的、可解释的临床风险评分系统提供了强有力的工具。
临床价值：生成的模型不仅预测准确，而且结构紧凑、逻辑清晰，能够直接转化为临床医生可理解的决策规则，有助于提高临床决策支持系统 (CDSS) 的采纳率和安全性。
通用性：该方法不仅适用于医疗领域，也适用于任何需要结合连续函数拟合与离散规则判断的科学和工程领域（如物理方程发现、工程控制等）。
未来展望：虽然 Brush 表现优异，但作者指出其超参数尚未针对特定任务进行精细调整，且节点复杂度的定义可进一步优化。未来工作可探索更多领域特定的先验分布以进一步提升模型效率。

总结：这篇论文提出的 Brush 算法通过创新性地融合分裂节点与非线性优化，在保持符号回归可解释性的同时，显著提升了其在处理复杂临床决策规则时的性能和实用性，是医疗人工智能领域迈向“可解释 AI"的重要一步。