## FBADA：一种用于潜在不熟悉临床模式检测的治疗感知可解释融合框架

《Results in Engineering》：FBADA: A Treatment-Aware Explainable Fusion Framework for Potentially Unfamiliar Clinical Pattern Detection

　　

本稿提出了一种自适应的可解释融合框架，用于在不确定的医疗条件下识别可能代表不熟悉或新兴疾病模式的临床病例。该框架将临床与模型级异常分析、可解释性以及治疗感知评估整合在一个统一的决策过程中。其主要方法学贡献在于基于融合异常指数（Fusion Anomaly Index，FAI）和医学必要性指数（Medicine Necessity Index，MNI）的双指数融合机制。FAI综合了结构性临床偏差、预测置信度偏差、基于可解释性的偏差以及统计离群信息，而MNI则评估预期治疗分布与观测治疗分布之间的一致性。对两者的联合解释使该框架能够区分已知模式（Known-Pattern）、过渡性（Transitional）、潜在未知（Potential-Unknown）和待审查（Review）病例，而不是将不确定病例强制归入二元分类。该框架使用公开的COVID19 Dataset with Drug Information数据集进行了评估。根据所报告的评价结果，该框架的整体准确率达到93.12%，其中已知模式病例的F1分数为0.96，潜在未知病例的F1分数为0.84。对比评估显示，在所评估的各类配置中，该框架取得了最高的整体准确率，同时其治疗感知融合机制为解读非典型临床病例提供了额外的维度。

## FBADA框架解读：面向潜在不熟悉临床模式的治疗感知可解释融合分析

### 一、研究背景与问题

新兴及此前不熟悉的传染性疾病，当其临床表现与既有的疾病模式存在差异时，往往难以被及时发现。传统机器学习模型通常在封闭集假设下构建，即所有可能的类别均在模型开发阶段预先定义。这类模型在处理与已学习类别一致的观测时表现良好，但面对非典型的临床表征，系统可能将其错误归入最邻近的已知类别，即使该病例与训练时习得的模式存在显著不同。这一局限在临床环境中尤为突出，因为异常表现可能提示一种正在演变的疾病模式、一种非典型表现，或是一个需要进一步评估而非立即做出分类决策的病例。

异常检测方法为识别偏离既定观测的记录提供了一种可行的替代机制。诸如孤立森林（Isolation Forest）和一类学习等统计方法，能够识别特征或分布层面的不规则性。然而，统计层面的偏差本身并不必然指示具有临床意义的“不熟悉性”。一个异常观测可能源于测量变异、患者异质性、信息不完整或正常的生理差异。因此，基于单一统计评分的异常检测，对检测到的偏差所具有的临床意义，所能提供的信息相对有限。

可解释人工智能（Explainable Artificial Intelligence, XAI）通过揭示影响模型预测的特征，提供了另一个重要视角。例如，SHAP能够量化特征贡献，支持在单条记录层面检查模型行为。然而，解释模型为何产生某一预测，与判定潜在的临床表现是否与既有模式存在充分差异，属于不同性质的任务。治疗信息则提供了进一步的临床证据来源，因为处方行为代表了对所观察患者状况的一种响应。现有医疗人工智能研究多将治疗作为待预测或待优化的目标。相比之下，本研究将观测到的治疗模式视为评估非典型临床表现的补充证据。一个临床异常但治疗行为与既有模式一致的病例，与一个临床特征与治疗行为同时偏离的病例，应得到不同的解读。

上述观察表明当前存在一个方法论缺口。已有研究大多将疾病分类、统计异常检测、可解释预测和治疗推荐视为相互独立的目标。尽管每个方向都提供了有价值的信息，但仍需要一个统一的方法，来考察临床/模型层面的偏差是否伴随相应的治疗不一致性。此类框架还需能够区分“强烈的不熟悉证据”与“证据不完整或相互矛盾”的情形。

### 二、研究内容、结论与意义

针对上述缺口，研究人员提出了基于融合的异常检测与分析（FBADA）框架。该框架将临床特征、预测模型行为、统计异常信息、模型解释与治疗模式整合在一个分阶段决策过程中。研究人员设计了融合异常指数（FAI），整合了结构性临床偏差、预测置信度偏差、基于可解释性的偏差和统计异常信息，形成多维度的异常度量。同时引入医学必要性指数（MNI），用于衡量临床表现在预期治疗分布与实际观测治疗分布之间的一致性。FAI与MNI的交互构成了一个二维决策机制，能够区分已确立模式、过渡性病例、潜在不熟悉模式以及需要进一步审查的病例，而非强制将所有观测归入二元分类。

实验基于公开的COVID19 Dataset with Drug Information数据集，包含23,760条临床记录。结果显示，预测主干的精度为90.13%；加入校准后FAI的配置精度提升至91.08%（提升0.95个百分点）；完整FAI–MNI配置的精度为91.06%。案例验证展示了从已知模式到潜在不熟悉模式的具体判定过程。该框架的主要意义在于，将治疗行为作为异常评估的补充证据维度，而非仅仅作为预测目标；同时通过保留过渡性和待审查类别，显式处理不确定性，避免对证据不充分的病例强行做出二元判断。

### 三、主要技术方法

本研究使用了公开的COVID19 Dataset with Drug Information数据，包含23,760条临床记录。按参考标签进行分层抽样，将数据集划分为19,008条记录（80%）的开发集和4,752条记录（20%）的留出测试集，开发集仅用于模型拟合与参数校准。预测主干采用堆叠集成模型，以随机森林、XGBoost和梯度提升为基学习器，以逻辑回归为元学习器。统计异常检测使用孤立森林，可解释性分析使用SHAP。研究提出了FAI指标（权重分别为0.35、0.25、0.20、0.20，融合四个异常组件）和MNI指标（基于预期与观测治疗分布间总变差距离）。评估使用5折分层交叉验证校准超参数，随后在留出测试集上进行最终评估，并辅以置信区间、Mann–Whitney U检验、Cliff's delta和Spearman相关分析。

### 四、研究结果

**5.1 分类性能**：在4,752条留出测试记录上，预测主干正确分类了4,283条记录，整体精度为90.13%。已知模式类别的精确率为0.961、召回率为0.905、F1分数为0.932；潜在未知模式类别的精确率为0.759、召回率为0.889、F1分数为0.819。

**5.2 混淆矩阵分析**：混淆矩阵显示，3,222条已知模式记录和1,061条潜在未知模式记录被正确分类，另有337条已知模式记录被误分类为潜在未知，132条潜在未知记录被误分类为已知模式。

**5.3 特征重要性和可解释性分析**：SHAP分析表明，SpO₂和CRP是影响力最大的临床变量，其次为呼吸困难、干咳、发热和疲劳；较低排名的症状包括嗅觉丧失、味觉丧失、寒战、身体疼痛、喉咙痛、流鼻涕、腹泻和腹痛。SHAP不仅用于解释预测，其单条记录的特征贡献模式也作为FAI中可解释性偏差组件的输入。

**5.4 FAI行为**：在全部23,760条记录中，79.6%（18,920条）位于绿色区（FAI<0.40），10.1%（2,410条）位于黄色区（0.40≤FAI≤0.65），10.3%（2,430条）位于红色区（FAI>0.65）。已知模式参考组与未知病毒疾病参考组的FAI分布之间存在显著分离（Mann–Whitney U检验：U=816,009，p=7.05×10^-223；Cliff's delta=-0.616）。

**5.5 MNI行为**：79.5%（18,896条）的记录处于低MNI带（MNI<0.36），8.7%（2,071条）处于中MNI带（0.36≤MNI≤0.46），11.8%（2,793条）处于高MNI带（MNI>0.46），表明大多数记录的治疗分布与从临床特征预期的治疗分布存在较大差异。

**5.6 FAI与MNI的联合行为**：通过Spearman相关分析，FAI与MNI之间的相关系数为ρ_s=0.0529（p=0.000263）。虽然统计上显著，但相关系数极小，表明两者之间不存在实际的实质性关联，支持将这两个指标作为互补而非冗余的证据维度。

**5.7 融合决策分析**：根据FAI–MNI融合矩阵，绿色FAI+中/高MNI归为已知模式；黄色FAI任何MNI归为过渡性；红色FAI+低MNI归为潜在未知模式；绿色FAI+低MNI以及红色FAI+中/高MNI归为待审查。该规则确保高FAI或治疗不一致单独均不足以判定潜在未知模式。

**5.8 组件贡献分析**：组件消融结果显示，预测主干精度为90.13%；加入校准FAI后精度提升至91.08%，F1分数（已知模式）从0.932提升至0.941，F1分数（潜在未知模式）保持0.819不变；再加入MNI后精度为91.06%，F1分数（已知模式）保持0.941，F1分数（潜在未知模式）微降至0.816。这说明FAI为决策过程增加了额外信息，而MNI的主要贡献为治疗层面的区分与解释，而非提升总体分类精度。

**5.9 案例级验证与统计验证**：三个代表性记录展示了框架的主要判定路径。案例1为绿色FAI+高MNI，判定为已知模式；案例2为黄色FAI+高MNI，判定为过渡性；案例3为红色FAI+低MNI，判定为潜在未知模式。统计验证方面，总体精度的95% Wilson置信区间为89.25%–90.95%；FAI组间差异显著；FAI与MNI相关微弱。

**5.10 比较性能评估**：与孤立森林、SHAP分析、开放集识别、可解释医疗异常检测、多模态医疗学习、治疗导向临床AI等方法进行了比较。由于各研究采用的数据集与协议不同，数值指标不作直接对比。FBADA的独特定位在于联合临床/模型级偏差与治疗不一致性分析，并显式保留不确定性处理。

### 五、讨论总结与结论翻译

**讨论总结**：研究人员对框架的层次化评估结果进行了阐述。预测主干提供基础分类能力；FAI通过整合结构、置信度、可解释性和统计信息量化多维偏差；MNI提供治疗层面的情境化证据，尤其在FAI黄色过渡区具有区分价值。框架的优势包括：多维FAI设计、将SHAP纳入异常评估而非仅作事后解释、MNI治疗感知机制、双索引分离结构、保留过渡与待审查类别的显式不确定性处理，以及多种证据在统一决策过程中的整合。安全性与可靠性方面，本研究未进行专门的对抗性攻击测试；但在部署环境中应关注患者数据保护、访问控制、模型与参数完整性、加密与审计机制；对抗鲁棒性和隐私泄漏问题留待后续研究。

**结论翻译**：本研究提出了一种可解释、治疗感知的融合框架，用于识别偏离既定疾病模式的临床记录。FBADA将预测分类、多维异常分析、可解释性和治疗信息整合在分阶段决策过程中。FAI捕捉结构性临床偏差、预测置信度偏差、基于可解释性的偏差和统计异常信息，MNI衡量临床预期治疗与实际记录治疗之间的一致性。在COVID19药物信息数据集上的实验显示，预测主干在留出测试集上达到90.13%的精度，加入校准FAI后为91.08%，完整FAI–MNI配置为91.06%。结果表明，FAI和MNI捕捉了记录中不同的属性；高FAI与低MNI组合为潜在不熟悉模式提供了更强的证据。框架保留过渡性与待审查类别，避免强制二元分类，并将SHAP特征贡献纳入异常分析。然而，本评估基于单一公共数据集和回顾性记录，仍需独立数据集、更多临床场景及前瞻性真实世界数据来验证其泛化性、稳健性和临床实用性。