
-
生物通官微
陪你抓住生命科技
跳动的脉搏
傅里叶-拉普拉斯解析风险估计(FLARE):统一非线性临床风险建模与不确定性量化的框架
《BMC Bioinformatics》:FLARE: Analytical uncertainty quantification and linear-nonlinear decomposition for interpretable clinical risk prediction
【字体: 大 中 小 】 时间:2026年10月15日 来源:BMC Bioinformatics 4.4
编辑推荐:
摘要背景在临床风险预测中,准确估计预测不确定性以及透明解读模型行为的重要性与判别性能相当。尽管逻辑回归支持统计推断,但其捕捉非线性关系的能力有限。基于核方法、基于树的方法和深度学习方法可以容纳非线性效应,但通常无法提供闭式不确定性量化、参数推断,或变量效应的线性与非线性组成部
在临床风险预测中,准确估计预测不确定性以及透明解读模型行为的重要性与判别性能相当。尽管逻辑回归支持统计推断,但其捕捉非线性关系的能力有限。基于核方法、基于树的方法和深度学习方法可以容纳非线性效应,但通常无法提供闭式不确定性量化、参数推断,或变量效应的线性与非线性组成部分的分析分解。此外,这些方法在构建个体患者水平和风险组水平的不确定性轮廓方面也存在不足。
提出傅里叶-拉普拉斯解析风险估计(FLARE)作为非线性临床风险建模和分析不确定性量化的统一框架。FLARE将正交随机傅里叶特征与拉普拉斯近似相结合,用于估计由模型参数、核超参数及其交互作用产生的不确定性。该框架提供:(i)患者水平的闭式预测不确定性;(ii)基于雅可比投影的Wald检验、置信区间和比值比;(iii)通过路径依赖梯度分析将变量效应分解为线性和非线性组成部分;(iv)在单一模型内进行基于解析海森矩阵的患者特异性交互分析。
FLARE在四个真实临床数据集和两个合成数据集上进行了评估。在线性数据生成条件下,FLARE产生的结果与逻辑回归功能等效,而在非线性环境中则展现出改善的预测性能。解析置信区间达到了接近名义水平的覆盖率,归因模式与基于SHAP的解释表现出高度一致。在FLChain队列中,在群体水平上无法检测到的交互作用在特定高风险患者中显著放大,某些协变量对在局部表现出明显强于群体平均水平的效应。
FLARE在单一分析框架中融合了经典统计模型的推断透明性与非线性方法的表征能力。该方法提供了闭式不确定性估计、可解释的线性-非线性效应分解和患者水平的交互评估,有助于更全面地理解临床预测环境中的模型行为。
在临床风险预测中,准确估计预测不确定性以及透明解读模型行为的重要性与判别性能相当。尽管逻辑回归支持统计推断,但其捕捉非线性关系的能力有限。基于核方法、基于树的方法和深度学习方法可以容纳非线性效应,但通常无法提供闭式不确定性量化、参数推断,或变量效应的线性与非线性组成部分的分析分解。此外,这些方法在构建个体患者水平和风险组水平的不确定性轮廓方面也存在不足。
提出傅里叶-拉普拉斯解析风险估计(FLARE)作为非线性临床风险建模和分析不确定性量化的统一框架。FLARE将正交随机傅里叶特征与拉普拉斯近似相结合,用于估计由模型参数、核超参数及其交互作用产生的不确定性。该框架提供:(i)患者水平的闭式预测不确定性;(ii)基于雅可比投影的Wald检验、置信区间和比值比;(iii)通过路径依赖梯度分析将变量效应分解为线性和非线性组成部分;(iv)在单一模型内进行基于解析海森矩阵的患者特异性交互分析。
FLARE在四个真实临床数据集和两个合成数据集上进行了评估。在线性数据生成条件下,FLARE产生的结果与逻辑回归功能等效,而在非线性环境中则展现出改善的预测性能。解析置信区间达到了接近名义水平的覆盖率,归因模式与基于SHAP的解释表现出高度一致。在FLChain队列中,在群体水平上无法检测到的交互作用在特定高风险患者中显著放大,某些协变量对在局部表现出明显强于群体平均水平的效应。
FLARE在单一分析框架中融合了经典统计模型的推断透明性与非线性方法的表征能力。该方法提供了闭式不确定性估计、可解释的线性-非线性效应分解和患者水平的交互评估,有助于更全面地理解临床预测环境中的模型行为。