技术摘要：用于交互作用筛选与检验的两阶段检测框架

问题陈述

临床与流行病学研究中的交互作用分析面临着两个递进需求之间的根本张力：筛选（Screening）与检验（Testing）。

• 筛选： 拥有 $p$ 个预测变量时，存在 $p(p-1)/2$ 个潜在的交互对。候选空间呈二次方增长，且绝大多数是噪声或伪交互。需要高效的方法来快速将这一空间缩小到值得进一步检查的小集合，且不产生过高的计算成本。
• 检验： 确认一个候选交互是否反映了真实效应，需要具备严格显著性控制和不确定性量化的方法。

现有方法属于不同的范式，具有互补但冲突的优势：

• 面向筛选的方法（例如 SHAP 交互值、Friedman H 统计量、确定独立性筛选 [SIS] 的扩展方法）提供了高覆盖率和高计算效率，但在处理共线性时往往缺乏显著性控制，导致高假阳性率。
• 面向检验的方法（例如乘积项 Wald 检验、GAM 张量积项）提供了严格的显著性控制，但在交互作用为非线性（如阈值型效应）或函数形式设定错误时，往往面临效能（Power）较低的问题。

目前的文献缺乏关于哪些方法适用于筛选阶段、哪些适用于检验阶段，以及如何构建一个平衡覆盖率与假阳性控制的“筛选+确认”操作流程的系统性证据。

研究方法

本研究采用“AI 辅助筛选 + 已知真相的模拟 + 公共数据验证”的框架，来评估方法的适用性并构建两阶段检测流水线。

1. 模拟框架

通过生成三个场景进行测试，样本量 $n=1000$，预测变量 $p=10$（包含共线性变量）：

• 场景 A（无交互作用，存在共线性）： 仅包含具有共线性预测变量（$X_1, X_2$）的主效应。用于评估假阳性率。
• 场景 B（线性乘法交互作用）： 加入线性交互项（$0.8 \cdot X_1 \cdot X_2$）。用于评估线性交互作用的检测能力。
• 场景 C（阈值型非线性交互作用）： 加入阈值交互项（$0.8 \cdot X_2 \cdot I(X_1 > 0.5)$）。用于评估对线性乘积项无法直接表达的非线性形式的检测能力。

2. 对比方法

比较了五种代表性方法：

• 乘积项 Wald 检验： 参数化检验。
• GAM 张量积交互作用： 半参数平滑。
• SHAP 交互作用 Top-1： 机器学习归因。
• Friedman H 统计量： 非参数交互强度。
• 基于模型的递归划分（MOB）： 结构性变化检测。

3. 两阶段检测流水线

所提出的框架由以下步骤组成：

1. 筛选阶段： 训练 XGBoost 模型以计算所有变量对的 SHAP 交互强度（$S_{ij}$）。前 $k$ 个对构成候选集 $C$。
2. 确认阶段：
   • 为每个候选对拟合包含所有主效应及乘积项的逻辑（或 Cox）回归模型。
   • 计算 Wald 检验 $p$ 值，并使用 Benjamini–Hochberg (BH) 程序进行校正。
   • 通过 BH 校正的变量对进行 $B$ 次自助法（Bootstrap）重采样，以计算复现性指标 $\rho_{ij}$（显著重采样比例）。
   • $\rho_{ij} \geq \tau$（阈值）的变量对被视为得到稳健确认。

4. 精炼与验证

研究通过对比实验系统地精炼了工程参数：

• 筛选宽度 ($k$)： 评估 $k \in \{1, 3, 5, 10, 15\}$。
• 筛选器家族： 对比了 SHAP（模型归因）与 SIS 类方法（统计检验排序）。
• 稳健性网格： 测试了在不同共线性程度（$\rho$）、样本量 ($n$)、事件率、以及结局类型（二分类 vs. Cox 生存数据）下的表现。
• 预处理： 评估了共线性残差化和置换噪声校准的效果。
• 机制解释： 将 MOB 作为独立的证据渠道与事后精炼工具进行对比验证。
• 真实数据案例研究： 将框架应用于 CRRT 临床队列（$n=1144$）和 GMDR 公共数据（$n=2377$）。

核心贡献

1. 失效模式的量化： 研究表明单方法在特定机制下会失效：在无交互作用的情况下，由于共线性存在，SHAP 的假阳性率为 64%；而线性乘积项检验仅能检测出 85% 的阈值型非线性交互。
2. 可操作的两阶段流水线： 本研究构建并验证了一个特定的流水线：SHAP 交互作用 Top-$k$ 筛选 ($k=5$) $\rightarrow$ 乘积项 Wald 检验 $\rightarrow$ BH 校正 $\rightarrow$ Bootstrap 复现性验证 ($\geq 0.9$)。
3. 证据分级框架： 建立了四级证据体系：
   • 第 1 级：候选指示（SHAP Top-$k$）。
   • 第 2 级：初步证据（Wald $p < 0.05$，未通过 BH 校正）。
   • 第 3 级：初步确认（通过 BH 校正，Bootstrap $< 0.9$）。
   • 第 4 级：稳健确认（通过 BH 校正，Bootstrap $\geq 0.9$）。
4. 方法适用性结论：
   • 筛选： 树模型归因（SHAP）优于统计检验排序（SIS），因为它提供了信息异质性的信号，从而降低了确认阶段的“假确认”率。
   • 确认： 参数化/半参数化检验对于显著性控制至关重要。
   • MOB 的角色： MOB 具有高灵敏度但假阳性不受控（在无交互场景下为 26%）。它不适合作为独立的确认证据，但可以作为已确认交互作用的机制精炼工具。
5. 对替代路径的证伪： 研究通过实证排除了共线性残差化（这会消除真实的交互信号）和置换噪声校准（其计算成本高且收益有限）作为有效预处理策略的路径。

结果

• 性能： 两阶段方法将无交互场景下的端到端假阳性率从 64%（仅用 SHAP）降低至约 5%（配合 $k=1$），并在结合 BH 校正与 Bootstrap 确认后降至接近于零，同时在非线性场景中保持了 83% 的检测率。
• 最优参数：
  • 筛选宽度： $k=5$ 提供了最佳折衷（在场景 C 中实现了 99% 的真实交互覆盖）。
  • Bootstrap 阈值： 将阈值提高到 0.9 可以显著降低假确认（例如在场景 A 中从 15% 降至 7%），但代价是略微降低了对非线性场景的检测率（降至 47%）。
  • 样本量： 存在明显的阈值；检测能力在 $n < 500$ 时崩溃，仅在 $n \geq 500$ 时变得可靠。
  • 结局类型： 该框架在二分类和生存（Cox）结局上均表现稳健，且在生存数据中的检测率出人意料地更高。
• 真实数据应用：
  • CRRT 队列： 将 595 个变量对筛选至一个候选对（$P24h \times CCI$），并被判定为第 3 级“初步确认”。MOB 精炼揭示了一个单向机制，即共病负担会改变磷酸盐效应。
  • GMDR 数据： 拒绝了一个文献报道的基因-基因交互作用（$ITGA2 \times HABP2$），该交互未通过 Top-5 筛选，且在全局检验下无统计学意义，证明了该框架拒绝伪交互的作用。

意义与主张

本文主张“筛选—确认”的分工协作是必要的，因为没有任何单一方法能同时满足高覆盖率和严格显著性控制的要求。所提出的框架提供了：

• 一种方法论标准： 为医疗和流行病学环境下的方法适用性提供了基于模拟证据的参考。
• 操作边界： 明确的使用条件（$n \geq 500$, 事件率 $\geq 30\%$, 共线性 $\rho \leq 0.7$）以及结构化的证据分级系统，以防止对筛选得分的过度解读。
• 双重能力： 既能“筛选出候选者”（将数百个缩减至少数几个），也能“拒绝伪交互”（通过验证驳斥文献中的说法），从而解决交互作用研究中常见的假阳性传播问题。

研究总结指出，虽然该框架平衡了假阳性和灵敏度之间的权衡，但也承认其内在局限性，特别是在强共线性环境下，很难区分共线性导致的伪交互与真实的线性交互，这可能需要结合多种证据来源或领域先验知识。