Contrastive Representation Learning of Longitudinal Disease Trajectories on Temporal Graphs

想象一下，你正试图理解一个人一生的故事，但你不是在读一本书，而是在看一堆随机拍摄的照片。有些照片是每天都拍的，有些则是每年才拍一次。有些照片展示了快乐的生日，有些则是医生就诊的场景，还有些只是公园长椅的模糊照片。在医学科学的世界里，这正是“纵向数据”（longitudinal data）的真实模样：这是一组从同一个人身上反复采集的测量值，但其间隔往往是混乱且不规则的。

科学家的巨大挑战在于，如何根据人们生活（或疾病）的变化方式将他们进行分组。即使两名患者的检查日期不同，他们是否也遵循着相同的路径？传统方法试图将这些混乱的快照强行塞进整齐、平滑的曲线中，假设每个人的故事都遵循一种可预测的曲线。但现实生活很少如此平滑。有时，人们会出现症状的突然激增，或者病情以一种简单的直线无法描述的复杂、非线性方式发生变化。这就是“机器学习”领域介入的地方，特别是其中一个分支——“表示学习”（representation learning）。可以把这想象成教计算机如何观察一堆混乱的数据，并从中找出每个人故事中最重要的“本质”或“摘要”，以便它能轻松地分辨出谁属于哪一组。你即将阅读的这篇论文，探讨的就是当数据是一个由时间和相似性交织而成的复杂网络时，如何才能最好地完成这项工作。

---

问题所在：混乱的时间线

想象你是一名侦探，正试图通过观察嫌疑人的日常习惯来破解谜题。你有一份每个人的笔记清单，但这些笔记非常混乱。有些人每天早上写日记；另一些人只有在发生兴奋的事情时才会记录。有些笔记是关于他们吃了什么，有些是关于他们的感受，还有些仅仅是随手涂鸦。

在医学领域，医生经常收集这类数据。他们追踪患者数年之久，记录血压、心率和症状。但这些数据是“纵向的”（在时间轴上延伸）且是“异质性的”（因人而异，混合杂乱）。目标是找到“聚类”（clusters）——即那些正沿着相同疾病路径前进的患者群体。如果你能找到这些群体，你就能预测谁可能会变得更严重，并从而制定更佳的治疗方案。

问题在于，传统的侦探工作（传统统计学）通常假设每个人的故事都是一条平滑的直线。但疾病并不总是沿直线运动。它们会锯齿式波动、停滞不前，有时甚至会发生跳跃。此外，标准方法通常孤立地看待每一位患者，忽略了这样一个事实：即便 A 患者和 B 患者不是同一个人，他们也可能在同步变化。

解决方案：RankWalk 与“时空旅行图”

于是，本文的作者提出了一个名为 RankWalk 的新方法。他们不再试图将数据强行拟合为直线，而是决定构建一个巨大的、无形的网（即“图/graph”）来连接所有的点。

以下是他们构建这个网络的方式：

1. 节点（点）： 患者每一次的测量值都成为了地图上的一个点。
2. 时间弦（时空旅行）： 如果 A 患者在周一进行了一次检查，周二又进行了一次，系统就会画一条线连接这两个点。这保留了时间的顺序，告诉计算机：“这件事发生在在那件事之前。”
3. 相似性弦（灵魂伴侣）： 这是最巧妙的部分。如果 A 患者和 B 患者都在周二进行了检查，并且在那个特定时刻，他们的健康指标看起来非常相似，那么计算机就会在他们之间画一条线，尽管他们是不同的个体。这就像是在说：“嘿，你们俩现在正处于同样的境况中。”

但是，如果检查时间很奇怪怎么办？如果 A 患者是在上午 10:00 被检查，而 B 患者是在上午 10:05 被检查呢？作者使用了一个“滑动窗口”技巧。想象一个在时间轴上移动的窗口。如果一个患者的检查落在窗口内，他们就会与该窗口内的其他人归为一组。这在不丢失故事完整性的前提下，平滑了混乱且不规则的时间分布。

核心秘诀：锚点与随机游走

网络构建完成后，计算机如何学习哪些患者属于同一类呢？这就是**对比学习（Contrastive Learning）**发挥作用的地方。你可以把它想象成一场“找不同”的游戏。

计算机选取一个“锚点”（某个特定患者的检查点），并尝试寻找看起来与其相似的其他点。但它不仅仅是观察紧邻的邻居，计算机还会派出一位“随机游走者”——一个沿着线条在点与点之间跳跃的小型探索者。

这里的转折在于：这位探索者是由锚点引导的。它不会漫无目的地游荡，而是带有偏好地去寻找在结构上与锚点相似的点。如果锚点是一个“重症”患者，探索者更有可能找到其他的“重症”患者，即使他们在网络中相距甚远。

计算机会对探索者找到匹配项的速度进行评分。探索者找到匹配的过程越快，说明这个匹配越“重要”。这被称为秩加权正样本对生成（Rank-Weighted Positive Pair Generation）。这就像是在说：“如果你在搜索的第一步就找到了孪生兄弟，那么这个孪生兄弟就是完美的匹配；如果你搜寻了十步才找到，那么他们可能并不是那么相似。”

最后，计算机使用一种“对比性”目标函数。它试图让“孪生”点在其内部语言（嵌入/embeddings）中看起来非常相似，而让“非孪生”点看起来截然不同。随着时间的推移，计算机学会了一种极其高效的方法，能将每个人的旅程总结为一个简短而强大的代码。

研究发现：结果展示

作者将他们的 RankWalk 方法与“老派侦探”（传统统计学）以及其他新的机器学习工具进行了对比测试。他们通过两种方式进行了测试：

1. 模拟实验室（模拟数据）
首先，他们在计算机上创建了虚构的患者数据。

• 场景 A（平滑之旅）： 他们制造了患者遵循平滑、可预测曲线的数据。在这种情况下，传统方法（如 fPCA）表现良好，但 RankWalk 的表现同样出色。
• 场景 B（嘈杂之旅）： 他们在数据中加入了“噪声”（随机误差或错误数据点）。传统方法变得混乱，开始错误地对人群进行分组。然而，RankWalk 却保持冷静。因为它观察了许多不同的“子空间”（数据的不同角度）并使用了排名系统，它忽略了噪声部分，找到了真实的群体。
• 场景 C（混沌之旅）： 他们创建了患者会在不同“状态”（例如疾病行为突然改变）之间切换，并伴有非线性跳跃的数据。传统方法在这里完全失效了，因为它们无法处理这种混沌。然而，RankWalk 脱颖而出，以近乎完美的准确度找到了这些群体。它证明了你不需要预先知道曲线的形状，图结构本身就能学习它。

2. 现实世界（真实数据）
接着，作者在涉及心脏病、肝脏疾病、认知老化和艾滋病（AIDS）的四个真实医疗数据集上测试了 RankWalk。

• 他们不仅观察了分组的效果，还检查了这些分组是否对生存率具有实际意义。他们使用了“一致性指数”（Concordance Index，衡量分组预测生存时间好坏的分数）和“Log-Rank 检验”（一种统计学检查，用于验证分组是否真正具有差异）。
• 结果： RankWalk 始终优于现有的最佳方法（fPCA）。例如，在心脏病（HEART）数据集中，旧方法的生存预测得分仅为 0.57（仅比随机猜测好一点），而 RankWalk 将其提升到了 0.71。更令人震惊的是，证明分组差异显著性的统计证据从微弱的 4.81 飙升到了巨大的 52.25。
• 这表明，通过将数据视为时间与相似性交织的动态网络，RankWalk 找到了传统方法所遗漏的模式，从而识别出了在健康结局方面差异更为明显的患者群体。

总结

这篇论文表明，我们不需要为了理解现实世界中混乱的医疗数据，而将其强行扭曲成整齐的直线。通过构建一个既尊重时间流逝又尊重人与人之间相似性的动态网络，并结合聪明的“搜索与比较”策略，我们可以揭示疾病进展过程中隐藏的模式。

RankWalk 不仅仅是在对患者进行分组；它是在寻找“正确”的分组。它能够处理混乱的数据，忽略噪声，并比我们使用了数十年的工具更好地适应复杂的、不断变化的疾病模式。虽然作者指出这仍是一个方法论上的突破，且未来仍需研究如何处理更复杂的情景（如缺失数据或多种类型数据的融合），但目前的成果表明，这种基于图的方法是观察人类健康这条漫长且蜿蜒之路的一个强有力的全新视角。