基于症状分析与大语言模型解释的疾病聚类增强研究

《Scientific Reports》：Enhancing disease clustering through symptom-based analysis and large language model interpretations

本研究针对疾病症状重叠导致的临床诊断难题，创新性地结合无监督机器学习算法（K-means、Fuzzy C-Means、层次聚类和DBSCAN）与大型语言模型GPT-4o，开展了症状导向的疾病聚类分析。研究通过对人类症状-疾病网络（HSDN）数据集进行聚类分析，发现K-means算法在10项评估指标中表现最优（轮廓指数0.56），并利用GPT-4o成功解读了癫痫症状疾病的四个亚型特征，实现了机器学习输出与临床解释的有效衔接，为疾病分型与精准医疗提供了新范式。

　　

在医疗健康领域，人类面临着由环境因素和生活习惯引发的多种疾病挑战。这些疾病往往表现出复杂且相互重叠的症状特征，使得准确诊断变得尤为困难。传统上，医生依赖体格检查或实验室检测来识别疾病，但由于许多疾病具有相似症状，这一过程常常变得复杂且不够精确。更棘手的是，症状很少单独出现——它们往往以共现模式存在，形成特定的症状簇。这种症状共现现象为疾病亚型的识别提供了新的视角，但如何从海量医疗数据中挖掘这些隐藏模式，并将其转化为临床可用的洞察，一直是研究人员面临的重大挑战。

以往的研究虽然尝试使用各种机器学习算法进行症状聚类分析，但这些方法存在一个关键局限：它们能够有效识别疾病亚组，却无法提供直观的临床解释。聚类算法产生的输出对于医疗专业人员来说往往难以理解和应用，形成了机器学习洞察与临床实践之间的鸿沟。随着大型语言模型（Large Language Model, LLM）在多个领域的成功应用，研究人员开始探索将这些强大的自然语言处理工具引入医疗领域，特别是用于解释复杂的机器学习输出。

在这项发表于《Scientific Reports》的研究中，研究人员开展了一项创新性探索，旨在通过结合无监督机器学习与大型语言模型的力量，增强疾病聚类的效果和可解释性。研究团队特别关注症状为基础的疾病聚类分析，试图揭示疾病表现中的新关联和亚型。

为开展这项研究，研究人员采用了多阶段方法。首先，他们使用了Zhou等人构建的“人类症状-疾病网络”（Human Symptoms-Disease Network, HSDN）数据集，该数据集包含3,011行数据，记录了2,602条疾病-症状关系，涵盖1,769种疾病类别和833种症状类别。数据处理阶段，研究团队采用删除法处理缺失值，并通过独热编码（one-hot encoding）将分类变量转换为数值特征，随后使用主成分分析（Principal Component Analysis, PCA）降低维度。在确定最佳聚类数量时，研究人员应用肘部法则（elbow method）确定K=4为最优聚类数。

核心分析方法包括系统比较四种聚类算法（K-means、Fuzzy C-Means、层次聚类和DBSCAN）在10项无监督学习评估指标上的表现，涵盖调整兰德指数（Adjusted Rand Index, ARI）、卡林斯基-哈拉巴斯指数（Calinski-Harabasz Index, CHI）、戴维斯-布尔丁指数（Davies-Bouldin Index, DBI）等。最终，通过集成OpenAI的GPT-4o模型，对聚类结果进行自然语言解释，特别是针对癫痫症状疾病亚组的特征分析。

结果和讨论发现

评估结果显示，K-means聚类模型在多项指标上表现最优，获得0.56的轮廓指数（Silhouette Index, SI）和1.0的完备性分数（Completeness Score, CS），表明该算法最能准确识别和分离疾病亚组。相比之下，DBSCAN由于数据集密度变化大和维度高，表现较差（轮廓指数-0.145）。统计分析通过弗里德曼检验（Friedman test）和内梅尼事后检验（Nemenyi post-hoc test）证实了算法性能的显著差异，其中DBSCAN与K-means和Fuzzy C-Means存在显著差异，而顶级算法之间无统计学差异。

机器学习算法聚类

K-means算法将数据集有效划分为四个 distinct 聚类（0至3），

每个聚类展现出独特的数据点分组特征。Fuzzy C-Means（FCM）模型同样表现出色，获得1.0的完备性分数和13,533的Calinski-Harabasz指数，

其软聚类特性特别适合处理边界模糊的数据集。层次聚类算法也实现了完美的完备性分数（1.0），

而DBSCAN虽在噪声识别方面表现良好，但受高维数据限制明显。

解释疾病亚组聚类的挑战

主要挑战在于聚类算法缺乏固有的亚组标签生成能力。虽然算法能识别高维数据中的 distinct 聚类，但无法自动提供描述疾病亚组关键特征的直观解释。例如，184种癫痫相关疾病被分为四个聚类，但缺乏区分这些亚组的明确特征描述。

大型语言模块的应用（模型：GPT-4o）

通过集成GPT-4o，研究人员成功解决了聚类结果的解释难题。

针对癫痫症状疾病，GPT-4o提供了每个聚类的详细临床特征分析：

聚类0（绿色）主要包含儿童期发病的癫痫综合征和酒精相关疾病；聚类1（柠檬绿）涵盖广泛年龄范围的癫痫，以肌阵挛特征和局灶性发作为主；聚类2（黄色）以反射性癫痫和耐药性癫痫为特征；聚类3（红色）则包含热性惊厥、子痫相关疾病及药物诱导性癫痫。这些聚类结果与ILAE/ICD-11诊断亚型高度一致，验证了分类的临床相关性。

统计分析和研究局限性

弗里德曼检验结果显示算法性能存在显著差异（p=0.000093），内梅尼事后检验进一步明确了具体差异模式。研究局限性包括GPT-4o在专业医疗知识方面的潜在不足，以及缺乏医疗专业人员对聚类解释的验证。此外，研究主要关注癫痫症状，未来需要扩展至其他症状类型。

结论与建议

本研究证实了无监督机器学习与大型语言模型结合在疾病聚类分析中的巨大价值。K-means算法在疾病亚型识别方面表现最优，而GPT-4o的集成显著提升了聚类结果的临床可解释性。未来研究方向包括整合多模态数据（遗传、影像等），并解决当前数据集在人口统计学和时间维度信息的缺失问题。需要强调的是，尽管LLM生成的解释有助于临床推理，但它们绝不能替代专家判断。在临床环境中部署LLM需要谨慎，必须建立强大的验证协议、数据保护措施和人工监督机制。

这项研究的创新之处在于成功搭建了机器学习输出与临床理解之间的桥梁，为症状导向的疾病分类和精准医疗提供了新思路。通过将复杂的聚类结果转化为临床医生可理解的洞察，该研究为未来智能医疗诊断系统的发展奠定了重要基础。随着技术的不断完善和验证，这种方法有望在疾病早期诊断、个性化治疗规划和新发传染病应对中发挥重要作用。