🤖 machine learning

GRASP: group-Shapley feature selection for patients

本文介绍了 GRASP，这是一种新颖的特征选择框架，它将 Shapley 值归因与组 $L_{21}$ 正则化相结合，以构建稳定、可解释且无冗余的特征集用于医学预测，其在准确性和特征稳定性方面均优于 LASSO 等现有方法。

原作者： Yuheng Luo, Shuyan Li, Zhong Cao

发布于 2026-05-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Yuheng Luo, Shuyan Li, Zhong Cao

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

想象你是一位医生，试图预测哪些患者面临严重健康事件的风险。你拥有一个巨大的档案柜，里面装满了成千上万份关于每位患者的记录：年龄、血压、饮食、遗传标记，以及其他数千项细节。

问题在于，这些记录中的大多数要么毫无用处，要么相互重复，要么彼此相似得令人困惑，以至于难以找到真正的预警信号。传统的整理这种混乱数据的方法，就像试图仅凭 handfuls 地抓取干草来从 haystack 中寻找针；它们或许能奏效，但往往抓到了太多垃圾，错过了那根针，或者每次尝试时抓到的都是不同的针。

本文介绍了GRASP，一种更智能的新方法，用于整理那个医疗档案柜。

旧方法的问题

将旧的特征选择方法（如 LASSO）想象成一位严格的编辑，他根据一条简单的规则删减词语：“如果一个词出现得不够频繁，就删除它。”

缺陷：这位编辑可能会删除两个意思相同的词（冗余），或者保留一个听起来重要但实际上无用的词。更糟糕的是，如果你让这位编辑做两次同样的工作，他每次可能会挑选出略有不同的词集，导致故事不稳定。

GRASP 解决方案：两步侦探法

GRASP 就像一个将直觉与严格纪律相结合的两步侦探团队。

第一步：直觉（SHAP 值）

首先，GRASP 使用一种名为SHAP（Shapley Additive exPlanations 的缩写）的工具。想象 SHAP 是一位超级聪明的顾问，他已经阅读了整个档案柜，确切知道哪些记录对预测结果最重要。

SHAP 不是靠猜测，而是为每一份记录赋予一个“重要性”评分。
GRASP 将相似的记录分组（例如将所有“血液检查”记录归为一组）。它向顾问提问：“哪些组的记录实际上在驱动预测？”

第二步：纪律（Group L21 正则化）

一旦顾问给出评分，GRASP 就引入一位严格的教练（Group L21 正则化）。

这位教练说：“我们只想要最重要的组。如果一组记录不关键，我们就砍掉整个组。如果一组记录很关键，我们就保留其中的所有记录，但我们确保不会保留太多冗余的记录。”
这确保了最终列表紧凑（短小精悍）、稳定（每次运行都得到相同的列表）且可解释（人类易于理解）。

类比：终极旅行打包清单

想象你正在为旅行打包，但有 1,000 件物品可供选择。

旧方法可能会给你一个装满 50 件物品的行李箱，其中包括三种不同类型的袜子和两把功能完全相同的雨伞。这能行，但既沉重又杂乱。
GRASP审视你的行程，询问专家你真正需要什么，然后打包一个极小、完美的包，只包含 23 件必需品。它确保你有合适的袜子和合适的雨伞，但没有重复。

论文发现

作者利用来自两个大型医疗数据库（NHANES 和 UK Biobank）的真实世界数据，将 GRASP 与旧方法进行了测试。以下是他们的发现：

更少即更好：与其他方法（选择了 40 到 60 个特征）相比，GRASP 选择了最少数量的特征（平均仅 23 个）。
更少杂乱：GRASP 选择的特征没有相互重复。旧方法充满了“冗余”特征（例如用三种不同的方式测量同一件事），这混淆了模型。
稳定性：如果你运行测试 1,000 次，GRASP 几乎每次都会选择相同的 23 个特征。其他方法则不断改变主意。
同样准确：尽管使用的特征更少，但 GRASP 预测患者结果的效果与使用数百个特征的方法一样好。
符合现实常识：在观察一种名为“乳酸脱氢酶”（LDH）的具体医疗标记时，GRASP 识别出的危险阈值比其他方法更符合现实世界的临床指南。它找到了风险实际发生变化的“临界点”，而其他方法找到的数值则略有偏差。

核心结论

GRASP 是一种新工具，帮助医生和研究人员穿透海量医疗数据的噪音。通过将人工智能的“直觉”（SHAP）与“纪律严明”的数学过滤器相结合，它创建了一个简短、稳定且易于理解的最关键健康指标列表，同时避免了冗余数据带来的困惑。

以下是论文《GRASP：面向患者的组 Shapley 特征选择》的详细技术总结。

1. 问题陈述

在医疗预测中，高维表型数据（来自电子健康记录、影像、可穿戴设备）由于噪声和维度问题，给知识发现带来了重大挑战。现有的特征选择方法存在几个关键局限性：

不稳定性和冗余性：LASSO 等方法在不同数据划分下往往产生不稳定的特征集，且无法有效处理多重共线性。
缺乏可解释性：虽然 SHAP 等事后工具能提供洞察，但它们通常与选择过程脱节，使得难以将选定的特征与特定的疾病机制对齐。
临床相关性：许多方法优先考虑预测准确性，而非对医疗采纳至关重要的临床可解释性和稳定性。

作者提出了GRASP（面向患者的组 Shapley 特征选择），旨在通过统一预测性能、稳定性和临床可解释性来解决这些差距。

2. 方法论

GRASP 是一个新颖的框架，它在惩罚逻辑回归框架内将Shapley 值驱动的归因与组 L2,1 正则化相结合。工作流程包含三个主要阶段：

A. 特征重要性计算（SHAP 集成）

预训练：在训练折上训练一个 XGBoost 分类器。
SHAP 计算：在保留的验证折上计算 SHAP 值，以确定每个特征的贡献。
组聚合：将特征划分为 $G$ 个不相交的组。组的重要性（ $s_g$ ）计算为其成员特征绝对 SHAP 值的平均值。
权重转换：使用指数衰减函数将组重要性评分转换为惩罚权重（ $\omega_g$ ）：
$\tilde{\omega}_g = \exp(-s_g/\tau_0) + \epsilon$
这确保了具有较高 SHAP 评分（较高重要性）的组获得较小的惩罚权重，从而使它们更有可能被保留。

B. 损失函数构建

GRASP 采用组 L2,1 正则化逻辑回归。目标函数 $J(\beta)$ 将交叉熵损失与结构化稀疏惩罚相结合：
$J(\beta) = L(\beta) + \lambda \sum_{g=1}^{G} \omega_g \|\beta_g\|_2$

$L(\beta)$ ：用于二分类的标准交叉熵损失。
$\|\beta_g\|_2$ ：组 $g$ 的系数向量的欧几里得范数。
效果：该惩罚强制实施组级稀疏性（整个组被选中或丢弃），同时允许选定组内的系数密集。这通过将相关特征保持在一起来处理多重共线性。

C. 优化

目标函数使用带有 Armijo 回溯线搜索的近端梯度算法进行优化：

梯度步：基于损失函数的梯度更新系数。
近端步：应用组软阈值算子以强制稀疏性。
自适应步长：动态调整步长，以确保目标函数充分下降。
选择：保留范数非零的组（ $\|\beta_g\|_2 > 0$ ）；丢弃所有其他特征。

3. 主要贡献

统一框架：首次将基于 SHAP 的特征归因直接与正则化耦合，使优化算法能够内在保留临床可解释的特征。
分组选择机制：引入了一种策略，使相关特征一起进入或离开模型，显著增强了稳定性和泛化能力。
综合评估：超越简单的准确性指标，评估冗余性（VIF、相关性）、稳定性（Jaccard 指数、调整后的稳定性度量）和临床对齐度（阈值分析）。

4. 实验结果

该研究在两个大规模数据集上进行了评估：NHANES（开发）和UK Biobank（外部验证）。GRASP 与 LASSO、标准 SHAP 选择以及 AFS 算法进行了比较。

特征集效率：GRASP 选择了最小的特征集（平均23 个特征），而 LASSO 为 44 个，SHAP 为 43 个，AFS 为 59 个。
稳定性与冗余性：
- 稳定性：GRASP 实现了最高的调整后的稳定性度量（0.593），显著优于 LASSO（0.382）和 SHAP（0.398）。
- 冗余性：GRASP 具有最低的方差膨胀因子（VIF = 2.942），而 LASSO 和 SHAP 表现出多重共线性（结果中标记为"—"）。
预测性能：
- 在 NHANES 和 UKB 数据集上，GRASP 在逻辑回归、随机森林和 XGBoost 模型中均实现了相当或更优的准确性。
- 在 UKB 数据集中，GRASP 以更少的特征保持了高准确性（LR 为 0.755），证明了其强大的泛化能力。
临床可解释性：
- 对乳酸脱氢酶（LDH）的分析表明，GRASP 识别出的转变点为168.8 U/L，与既定的临床截断值最为接近，优于 LASSO（144.66 U/L）和 SHAP（144.04 U/L）。
- 校准曲线和 Kaplan-Meier 生存分析证实，GRASP 提供了更好的风险分层，并与观察到的临床风险保持一致。

5. 意义

GRASP 代表了医疗机器学习的重要进步，它弥合了预测能力与临床可解释性之间的差距。

鲁棒性：通过强制组稀疏性并利用 SHAP 值进行加权，它克服了 LASSO 中常见的不稳定性和冗余性问题。
临床效用：该方法产生的特征集不仅准确，而且与已知的生物机制和临床阈值更好地保持一致，促进了在医疗环境中的信任和采纳。
可扩展性：近端梯度优化的使用使该方法在处理大规模电子健康记录数据时具有计算可行性。

作者总结道，GRASP 为精准医疗中的特征选择提供了一种稳定、可解释且高效的解决方案，未来的工作将侧重于优化针对超高维数据集的效率。