TBLPSO：一种基于团队学习粒子群优化的牙科种植体预后预测框架

《Scientific Reports》：Clinically guided subgroup-aware framework for dental implant risk stratification using expert-informed feature selection and cross-group knowledge transfer

　　

摘要

牙科种植体预后预测面临巨大挑战，原因在于全身健康变量、口腔状况和解剖学参数之间的相互作用。现有的机器学习方法通常将患者群体视为同质群体，并优化单一的全局特征子集。这种方法降低了对亚组特异性风险模式的敏感度，削弱了可解释性，并减弱了对高风险失败病例的检测能力。本研究提出了TBLPSO，一种基于团队学习的粒子群优化框架，该框架集成了临床引导的亚组划分、专家知识驱动的初始化、专家输入的可靠性感知加权以及跨组特征协作。利用包含55项临床特征的欧洲真实世界牙科种植体数据集，将患者分为四个具有临床意义的亚组：低风险组、局部风险组、全身风险组和复杂病例组。数据集按时间顺序划分为训练集和测试集，并对训练集采用五折时间序列交叉验证。每个亚组独立优化，同时选择性地跨组共享预测特征，从而使模型能够捕捉亚组特异性和可推广的风险因素。与PSO变体、包裹方法、进化算法和标准分类器的广泛对比表明，TBLPSO一致优于上述方法。该框架达到了96.1%的准确率，同时保持了精简的亚组特异性特征子集（分别为5、6、9和12个特征）。所提出的跨组通信机制实现了结构化知识传递，使可推广的预测因子能够在亚组之间传播，同时保留特定于上下文的特征，为未来向临床决策支持应用的研究提供了支撑。