机器学习在医疗保健领域的样本选择偏差

《ACM Transactions on Computing for Healthcare》：Sample Selection Bias in Machine Learning for Healthcare

本文针对机器学习在医疗个性化应用中的样本选择偏差（SSB）问题，提出目标子群体识别（TPI）新方向，通过T-Net和MT-Net两种神经网络架构，在合成和半合成数据集上验证，解决传统偏差校正导致性能损失的问题，并保持模型在目标子群体的稳定表现。

　　机器学习算法在个性化医疗领域展现出巨大的潜力，能够通过分析大量数据和发现隐藏模式，提高疾病的诊断和预后预测的准确性。然而，这些算法在临床应用中仍面临诸多挑战，其中偏见问题尤为突出。偏见可能会影响算法预测的可靠性，导致对患者群体的错误判断，从而产生有害的决策。在众多偏见类型中，样本选择偏见（Sample Selection Bias, SSB）尤为关键，因为它可能导致研究群体与目标群体之间的代表性差异，使得模型在实际部署时表现不佳。本文旨在深入探讨SSB在医疗机器学习中的影响，并提出一种新的研究方向，以更有效地应对这一挑战。

### SSB的定义与影响

样本选择偏见指的是在研究过程中，由于非随机选择而导致研究群体与目标群体之间的不一致。在医疗研究中，这种偏见常常源于研究设计的限制，例如对患者特征的严格筛选标准，导致部分患者被排除在研究之外。这些被排除的患者往往缺乏完整的标签信息，即其临床结局数据缺失。当机器学习模型仅基于这些具有标签的患者进行训练后，部署到一个更广泛的目标群体时，可能会出现预测偏差，特别是在目标群体中包含未被研究群体代表的患者时。这种偏差不仅影响模型的预测能力，还可能导致医疗决策的不准确，进而影响患者的治疗效果。

在现实世界中，SSB的存在常常是由于某些隐性因素，例如患者失访、生存偏倚或某些未被记录的临床事件，导致部分患者无法被纳入研究。在这种情况下，模型在训练时并未接触这些未被选中的患者，因此在部署时可能无法准确预测他们的结局。这种偏差可能在不同子群体中表现出显著差异，例如在研究群体中被代表的患者与未被代表的患者之间，或者在目标群体的不同子群体之间。

### SSB的挑战与现有解决方案的局限性

尽管SSB在学术界早已被广泛讨论，但在医疗机器学习领域，其研究仍相对有限。这可能是由于多种原因，例如研究群体中被排除的患者比例较小，难以获取足够的数据来纠正偏见；许多算法并未针对实际部署进行设计；有时SSB可能隐藏在选择过程的随机性之中；此外，风险估计通常属于因果推断领域，而非机器学习本身。现有的机器学习技术主要通过调整研究群体与目标群体之间的分布来纠正SSB，但这可能导致预测性能的下降。特别是在医疗领域，未被选中的患者可能与研究群体存在显著差异，使得这些方法在处理这类患者时效果不佳。

因此，本文提出了一种新的研究方向，即通过识别目标群体中与研究群体相似的子群体，而不是直接纠正偏见，来应对SSB。这一方法旨在利用现有数据，开发能够准确预测目标群体中被代表的子群体的模型，而不是试图使研究群体和目标群体的分布完全一致。这种思路避免了因分布对齐而导致的预测性能损失，同时确保了模型在实际部署中的可靠性。

### 提出的新方法：T-Net与MT-Net

为了实现上述目标，本文提出了两种具体的技术：T-Net和MT-Net。T-Net由两个独立的神经网络组成，一个用于预测患者是否被纳入研究群体（即选择任务），另一个用于风险预测。这两个网络可以按任意顺序进行训练。选择网络利用研究群体中被选中和未被选中的患者数据，学习如何识别目标群体中与研究群体相似的子群体。风险预测网络则仅在研究群体中进行训练，用于预测该子群体的结局。

相比之下，MT-Net采用多任务学习的结构，通过共享表示层，实现选择任务和风险预测任务之间的信息传递。这一结构允许模型在两个任务之间进行知识迁移，从而提高预测的准确性。MT-Net的优势在于其共享表示层可以增强模型在数据有限时的泛化能力，而T-Net则提供了更高的灵活性，因为它由两个独立网络组成，可以分别处理选择任务和风险预测任务。

### 实验与结果分析

为了验证所提出方法的有效性，本文使用了合成数据和半合成数据进行实验。合成数据基于随机生成的特征和标签，而半合成数据则结合了真实世界的数据，并通过人工引入SSB。实验结果表明，T-Net和MT-Net在处理SSB方面表现出色，特别是在数据量较小或SSB程度较高的情况下。例如，在合成数据集中，MT-Net和T-Net的预测性能优于传统方法，如逆概率加权（IPW）和多重插补（Imputation），这些方法在处理SSB时常常导致预测性能的下降。

此外，实验还分析了不同事件率（即研究群体中被选中患者的标签比例）和非选择率（即未被选中患者的比例）对模型性能的影响。结果显示，当事件率较低或非选择率较高时，SSB对模型的影响更为显著，此时T-Net和MT-Net的优势更加突出。这表明，这些方法在处理SSB时能够更好地适应数据分布的不均衡性，从而在实际医疗场景中提供更可靠的预测。

### 对医疗决策的影响

SSB不仅影响模型的预测性能，还可能对医疗决策产生深远影响。例如，在研究群体中未被代表的患者群体，如老年人或某些特定疾病患者，可能在模型部署时被错误分类，从而导致不必要的干预或治疗不足。因此，识别目标群体中与研究群体相似的子群体，并仅对这些子群体进行预测，是解决SSB问题的关键。通过将未被选中的患者转介给临床医生，可以确保这些患者获得适当的医疗干预，同时避免因模型偏差而导致的错误决策。

### 对现有方法的改进

本文提出的方法在多个方面优于传统的SSB处理技术。首先，它避免了因对齐研究群体和目标群体分布而导致的预测性能损失。其次，它利用了未被选中的患者数据，从而在数据有限的情况下提高了模型的泛化能力。此外，它提供了一种灵活的框架，允许模型在不同场景下进行调整，以适应不同的数据分布和医疗需求。

### 结论与展望

综上所述，本文强调了样本选择偏见在医疗机器学习中的重要性，并提出了通过识别目标群体中与研究群体相似的子群体来应对SSB的新研究方向。T-Net和MT-Net作为该方法的具体实现，展示了在处理SSB方面的优越性。实验结果表明，这些方法在不同数据集和不同设置下都能保持较高的预测性能，从而为医疗机器学习提供了更可靠的解决方案。

未来的研究可以进一步探索这一方法在不同医疗场景中的应用，特别是在真实世界数据中，由于未被选中的患者数据缺失，直接验证SSB处理技术的挑战较大。因此，可以考虑通过比较目标群体和研究群体的预测性能，来评估这些方法的有效性。此外，还可以研究如何将这些方法扩展到其他类型的偏见，例如协变量偏移（covariate shift）或领域适应（domain adaptation），以应对更广泛的机器学习挑战。