CARDINAL：整合生理结构先验、原型学习与不确定性估计的机器学习框架用于心超舒张功能评估

《BMC Medical Informatics and Decision Making》：CARDINAL: physiology-guided directional structure and prototype learning for small-sample echocardiographic assessment

　　

摘要

背景

基于小型临床队列的心超评估舒张功能，容易受到过拟合、不稳定的特征归因以及校准不足的置信度估计的影响，从而限制了机器学习模型的临床转化。本研究旨在开发并评估CARDINAL——一个生理机制引导的框架，该框架结合了数据集特定的结构先验、有向图正则化、原型对齐表示学习以及基于蒙特卡洛随机丢弃的不确定性估计，并评估其在控制数据泄漏的协议下，是否相较于现有的表格学习模型能够提升判别能力、校准表现和基于不确定性的转诊效果。

方法

我们提出了CARDINAL，一个整合了四个组成部分的生理机制引导框架：(i) 数据集特定的结构先验，用于编码临床变量之间已知的生理关系；(ii) 在稀疏性和无环性惩罚约束下的有向图精炼，作为正则化器和可解释性框架，而非作为已识别的因果模型；(iii) 原型对齐表示学习，用于在数据有限的情况下强制执行类内紧凑性；以及(iv) 基于蒙特卡洛随机丢弃的不确定性估计（\(T=30\)，随机丢弃率0.20），用于实现校准的置信度和对边界病例的选择性转诊。研究队列包括118例患者，根据复合参考指数分类为正常（\(n=37\)）、轻度（\(n=42\)）或重度（\(n=39\)）。评估遵循控制数据泄漏的协议，采用固定的分层70/15/15分割，生成82例训练池、18例验证集以及18例锁定测试集，在最终确定所有建模选择后对锁定测试集仅评估一次。

结果

在锁定测试集上，CARDINAL的二元异常与正常ROC-AUC为0.969，AUPRC为0.990，准确率为0.944，灵敏度为0.923，特异度为1.000，Brier评分为0.066，ECE为0.095，NLL为0.223。患者层面的DeLong和McNemar检验在此单一分割上（\(n=18\)）不具有显著性，这反映的是统计效力有限，而非等效性。在20次匹配的重复运行中，CARDINAL表现出稳定的一致性，与TabPFN-tuned相比，Holm校正后的Wilcoxon检验\(p = 3.05\times10^{-5}\)。三分类混淆矩阵分析显示，等级水平上的判别能力合理，误分类主要发生在相邻等级之间。消融分析表明，框架的每个组成部分——有向图正则化、原型对齐和不确定性校准——都对整体性能有所贡献。三个公开数据集（UCI心脏疾病、心力衰竭临床记录和MIMIC-IV）作为表格鲁棒性基准；CARDINAL在所有四个数据集中都表现出持续且适度的数值优势。

结论

这些结果表明，生理结构、原型学习和不确定性量化可以在控制数据泄漏的评估框架中整合。特征重要性分析表明，\({E/e}^\prime\)和LAVI——参考指数中相邻标签的变量——是模型预测的主要贡献者，与既有的心脏病学指南一致。一项排除这些相邻标签变量的补充分析保留了CARDINAL的相对优势（ROC-AUC 0.873，而TabPFN-tuned为0.846）。不确定性估计可辅助识别需要选择性人工审查的边界病例。这些发现激发了进行前瞻性多中心验证的动机，以评估临床实用性、可迁移性以及基于不确定性的审查对患者护理的影响。