技术摘要：通过贝叶斯超图推断解构潜在风险路径

1. 问题陈述

电子健康记录（EHR）呈现出一种复杂的多疾病建模挑战，其特征在于两个主要难点：

1. 长尾疾病流行率： 虽然某些慢性病很常见，但大多数疾病较为罕见，导致缺乏用于稳定、独立估计的数据。
2. 复杂的更高阶依赖关系： 疾病并不均匀地共享风险因素。不同的风险驱动因素（例如年龄与吸烟）将疾病组织成截然不同、重叠且具有不确定性的路径。现有模型往往无法捕捉这种结构：
   • 独立模型（如逻辑回归）忽略了共享结构，导致对罕见结局的预测不确定性校准较差。
   • 黑盒多任务模型（如神经网络）将风险因素纠缠在单一的潜在空间中，掩盖了特定的病理机制路径，且可解释性有限。
   • 结构化概率模型通常会聚合所有因素之间的相关性，而不是解构特定于风险因素的组织结构，或者在处理现代 EHR 数据集时面临扩展性难题。

核心挑战在于如何在不牺牲预测性能的前提下，学习特定于风险因素的、重叠的潜在结构，并显式地量化不确定性。

2. 方法论：贝叶斯超图路径推断 (BHPI)

作者提出了 BHPI，这是一个将多疾病建模重新定义为发现由风险因素调节的潜在疾病路径的框架，该框架使用了贝叶斯超图。

2.1. 模型架构

• 潜在超图表示： 疾病为节点 ($V$)，路径为超边 ($E$)。与仅连接两两节点的标准图不同，超边可以连接疾病的子集，从而允许更高阶的关系。
• 观测模型： 疾病结局遵循多元逻辑模型，其中线性预测因子 $\tilde{\eta}_{i,v}$ 包括疾病特异性基线和风险因素效应。
• 结构化特征效应： 模型并非独立估计疾病特异性系数 $\beta_v$，而是通过超边层级的效应 ($\mu_{j,e}$) 来诱导这些系数。一个疾病的风险因素影响是其所属超边效应的加权和：
  $$\beta_{j,v} = d_v^{-1} \sum_{e=1}^E H_{v,e} \mu_{j,e}$$
  其中 $H_{v,e}$ 是指示疾病 $v$ 是否属于路径 $e$ 的关联矩阵。
• 层次化稀疏性： 模型使用层次先验来学习超图结构：
  • 存在性： 二元指示变量 $z_e$ 决定超边是否存在。
  • 成员关系： 在给定存在性的条件下，二元指示变量 $m_{v,e}$ 决定疾病的成员身份。
  • 特征选择： Spike-and-slab 先验决定哪些风险因素影响特定的超边。

2.2. 排斥先验 (The Repulsion Prior)

一项关键创新是应用于特征-超边关联的排斥先验。它惩罚为同一风险因素选择高度重叠的超边。

• 目标： 防止“潜在结构坍缩”，即多个冗余的超边解释同一个风险因素。
• 机制： 它鼓励产生一种简约且可识别的结构，使单个风险因素激活截然不同且非冗余的路径，同时允许不同的风险因素共享重叠的疾病组。

2.3. 可扩展的结构化变分推断

由于存在非共轭似然函数和硬逻辑约束（例如，如果一个超边不存在，其成员也无法存在），后验推断具有挑战性。

• Polya-Gamma 增广： 用于处理非共轭逻辑回归似然函数，使其在条件上变为高斯分布。
• 结构化变分族： 标准的平均场变分推断 (VI) 假设独立性，这会破坏存在性、成员关系和效应之间的逻辑依赖关系。作者开发了一种结构化 VI 算法，显式地保留了这些条件依赖关系（例如，$q(m_{v,e} | z_e)$）。
• 感知排斥的更新： 坐标上升更新结合了超边间的预期重叠程度以执行排斥先验，从而确保发现稀疏且具有可解释性的潜在拓扑结构。

3. 核心贡献

1. 框架： 引入了贝叶斯超图路径推断框架，将疾病路径建模为受特定风险因素调节的潜在超边，实现了更高阶、重叠结构的发现。
2. 算法： 开发了一种可扩展的结构化变分推断算法，该算法保留了逻辑依赖关系（存在 $\to$ 成员 $\to$ 效应），并结合了排斥先验以实现可识别性，克服了标准平均场近似的局限性。
3. 验证： 通过模拟数据和 UK Biobank 的全面评估，证明了该模型在路径恢复稳定性、提升罕见疾病估计能力以及实现校准不确定性方面的优势。

4. 实验结果

4.1. 模拟数据

• 预测性能： BHPI 实现了具有竞争力的 AUC 分数（约 75%），与经过最优调优的逻辑回归相当，并优于树模型和多标签基准模型（如 LightGBM、分类链）。
• 结构恢复： 模型准确恢复了真实的潜在超图结构（超边发生率和风险因素关联的 AUC > 96%）。
• 消融研究： 去除排斥先验 ($\lambda=0$) 并未显著影响预测准确性，但会导致冗余且不稳定的超边。研究表明，该先验对于可识别性和可解释性而非仅仅是预测至关重要。

4.2. UK Biobank 应用

• 数据集： $N \approx 277,291$ 名参与者，71 个风险因素，66 种慢性疾病结局（涵盖从常见到极罕见的范围）。
• 罕见疾病稳定性： BHPI 在低流行率疾病方面表现出稳健的性能，优于在罕见疾病领域表现出高方差和不稳定性的基准模型。
• 校准度： BHPI 实现了极佳的预测校准（ECE < 0.01），与逻辑回归相当。
• 可解释性：
  • 解构： 模型成功分离了发散的风险路径。例如，“吸烟”被链接到呼吸系统疾病（肺气肿、哮喘）和黏膜损伤（溃疡）的不同路径，而非单一的密集因子。
  • 收敛性： 它捕捉到了异质性的疾病背景，例如“痴呆症”同时参与了血管性、老年衰弱和代谢-神经退行性路径。
  • 简约性： 尽管初始设定了 60 个候选超边，后验分布仍集中在简约的解上（约 27 个活跃超边），且具有高后验包含概率 (PIP) 的路径保留了预测信号。

5. 意义与主张

本文声称 BHPI 解决了一个核心流行病学问题：“给定的风险因素通过哪些共享的疾病路径发挥作用，而我们对该结构的确定性如何？”

• 超越黑盒： 与深度学习方法不同，BHPI 提供了可解释的高阶结构，能够解构风险因素如何组织疾病风险，超越了单纯的成对相关性或纠缠的潜在空间。
• 不确定性量化： 该框架针对疾病分组（路径组成）和风险因素影响提供了校准的后验不确定性，这对于数据稀缺的罕见疾病至关重要。
• 可扩展性： 结构化 VI 算法使模型能够扩展到生物样本库规模的数据集（数十万样本），同时保持相对于样本量和维度的线性计算复杂度。
• 临床实用性： 通过揭示独特的、特定于风险因素的路径（例如，区分酒精的代谢效应与毒性效应），该模型提供了对传统多任务学习或独立建模所掩盖的病理机制的洞察。

作者总结道，BHPI 提供了一种原则性的多疾病建模方法，在平衡统计效率与结构化归纳偏置的同时，实现了大规模 EHR 数据中可解释潜在结构的发现。