基于混合深度学习的特征选择算法助力癌症幸存者长期行为障碍早期预测：一项横断面研究

为解决癌症幸存者长期行为障碍预测难题，香港研究人员开发了一种新型混合深度学习特征选择算法（DDN），通过两阶段筛选（多指标投票过滤+深度丢弃神经网络）从治疗、慢病及社会环境因素中动态提取关键特征。实验表明该方法在焦虑抑郁等5种行为结局预测中F1 值提升9.8%-29.1%，其开发的径向特征图可直观展示风险因素，为临床干预提供数据支持。

　　

随着癌症治疗技术的进步，全球癌症幸存者数量持续增长，但治疗带来的长期行为障碍如焦虑、抑郁和认知功能下降等问题日益凸显。这些负面行为结局严重影响患者生活质量，而传统统计方法因假设线性关系、忽略特征冗余等问题，预测效果有限。在香港这样的高密度城市，年轻癌症幸存者还面临独特的家庭冲突、居住空间狭窄等社会压力因素，使得行为障碍预测更具挑战性。

为突破这一瓶颈，香港中文大学联合香港新界东医院联网的研究团队开发了一种创新性的混合深度学习特征选择框架。这项发表在《JMIR Bioinformatics and Biotechnology》的研究，通过整合临床专业知识与人工智能算法，成功构建了可动态筛选关键风险因素的预测模型。研究团队收集了102例15-39岁、确诊超5年的急性淋巴细胞白血病(ALL)幸存者的临床数据，包含50余项特征（人口统计学、癌症治疗、炎症生物标志物等）。

关键技术包括：(1)采用SMOTE-NC算法处理数据不平衡；(2)首创多指标多数投票过滤器，综合最大信息系数(MIC)、基尼指数(GI)等4项指标初筛特征；(3)设计深度丢弃神经网络(DDN)进行二次筛选，通过网格搜索优化丢弃率；(4)开发径向特征图可视化关键风险因素。

【研究结果】

1. 算法性能比较：新方法在焦虑抑郁(F₁
   =0.738)、注意力问题(F₁
   =0.568)等5类行为预测中表现最优，较传统方法提升4.3%-29.1%。仅在外化行为预测中略逊于包装法，但稳定性更佳。

2. 关键风险因素：径向图显示不同行为障碍的特异性风险谱。如焦虑抑郁与睡眠疲劳(r=0.857)、家庭冲突显著相关；注意力问题则与静脉大剂量甲氨蝶呤(IV high-dose MTX)、认知疲劳关联更强。

3. 临床启示：证实社会心理因素（家庭沟通、居住空间）与治疗因素（鞘内化疗剂量）存在交互作用，提示需多维干预。

【结论与意义】
这项研究首次将临床专业知识指导下的混合深度学习应用于癌症幸存者行为预测，其创新性体现在：(1)突破传统线性假设，通过DDN网络捕捉非线性关系；(2)解决高维小样本难题，特征选择过程兼顾冗余消除与稳定性；(3)开发的径向图工具实现机器学习结果的可解释性转化。

从临床角度看，该模型能帮助医生早期识别高风险患者，针对特定行为障碍（如选择家庭功能差者优先进行心理咨询）实施精准干预。研究揭示的社会环境因素作用，也为香港制定青少年癌症幸存者支持政策提供了实证依据。未来可通过扩大样本量和纳入动态数据（如屏幕使用时间）进一步提升预测效能，推动癌症幸存者管理进入个性化医疗新时代。