基于PLS-CM与ASCA的两类重叠识别与解释程序：心血管疾病和糖尿病应用

《Journal of Chemometrics》：A PLS-CM and ASCA Procedure to Explore the Overlap of Two Classes

　　

类建模（class-modeling, CM）与判别分析（discriminant analysis, DA）常用于二分类。DA通过构建最优分界来强制对未知样本进行唯一分配，这可能传递不恰当的确定性。相反，CM在预测变量空间中定义两个类别区域（2类模型），允许个体被分配至一个类别、两个类别或均不分配。该工作聚焦于CM，尤其是重叠区域所产生的不确定性及其解释。重叠可能源于模型不充分，也可能表明预测变量未提供足以区分类别所需的信息。研究人员提出并优化了一种使用软偏最小二乘类建模（soft partial least squares class modeling, PLS-CM）的程序。所选性能指标为对角修正混淆熵（diagonal modified confusion entropy, DMCEN），其衡量应用CM所实现的熵减少；该指标针对关键参数进行最小化：潜变量数、Q和T²置信水平以及类别分配的概率阈值。随后，应用ANOVA–同时成分分析（ANOVA–simultaneous component analysis, ASCA）以阐明类别重叠背后的原因。该程序已应用于两个案例研究，一个与心血管疾病（cardiovascular disease, CVD）相关，另一个与糖尿病相关。在CVD案例中，297名个体中有77名被分配至两个类别。ASCA表明，对这些个体而言，预测变量缺乏区分信息（健康 vs 患病），提示分类模糊性是数据驱动的而非方法相关的。糖尿病案例中825名个体中的42名亦如此。PLS-CM与ASCA结合提供了识别无法明确分类为健康或患病个体的阈值，而这是判别方法无法处理的。

该文围绕二分类中判别分析（discriminant analysis, DA）与类建模（class-modeling, CM）的解释差异展开。DA通过构建分界强制将未知个体唯一归入某一类别，容易带来不必要的确定性；CM则在预测变量空间中为每个类别建立有界区域，形成2类模型，使个体可归入一个类别、两个类别或均不归入。该文关注CM中由重叠区域产生的不确定性及其解释：重叠可能来自模型不充分，也可能说明预测变量不足以区分类别。CVD仍是全球主要死亡和残疾原因，在欧盟占全部年死亡的三分之一，影响超过6000万人，且预计到2050年患病率进一步上升；糖尿病2024年全球成人患病率为11.1%，65岁以上成人达23.72%，欧洲未诊断比例约33%，预计2050年影响全球12.96%人口，约9亿20—79岁人群。两者均为非传染性疾病，并带来经济负担。CVD和2型糖尿病通常逐渐演变，基于横断面数据的硬分类可能无法为部分个体给出清晰标签。因此，研究人员提出“PLS-CM plus ASCA”两阶段程序：先由PLS-CM识别同时归入两类的个体，再用ASCA验证这些个体的预测变量信息是否不足以区分健康与患病。该程序可估计两个界限以定义信息不足区域，并与诊断阈值和治疗阈值相关，有助于早期诊断阶段的临床决策，这是判别方法难以处理的。

关键技术方法如下（约200字）：PLS-CM通过偏最小二乘（partial least squares, PLS）投影构建PLSbox（应用域）和2类模型，以Q统计量和T²统计量定义应用域，采用高斯核估计概率密度，并以DMCEN为优化指标选择潜变量数、Q/T²置信水平和类别分配概率阈值；采用Kennard–Stone算法划分训练集与评估集，采用Procrustes交叉验证（procrustes cross-validation, PCV）生成预测集；ASCA以类别为因素、预测变量为响应，经10000次置换检验评估因素效应。样本队列来源为：CVD数据来自UCI Machine Learning Repository的Cleveland Clinic数据，303例去除6例缺失后为297例；糖尿病数据来自伊拉克Al-Kindy Teaching Hospital的内分泌与糖尿病中心，清洗重复个体后为825例。

4.1 Results for PLS-CM（PLS-CM结果）
4.1.1 Case 1（CVD）：通过构建并优化PLS-CM，最优模型含7个潜变量，Q/T²置信水平为0.99/0.95，健康/患病分配概率为0.95/0.95；训练与预测的DMCEN分别为0.3813和0.3686，提示模型稳健。训练集中265名个体位于PLSbox2（147名健康、118名患病），77名被同时归入两类；健康类与患病类灵敏度分别为0.9524和0.9576，类1对类2及类2对类1的特异度分别为0.7203和0.6190。类别分配概率对DMCEN的影响大于Q/T²置信水平变化。
4.1.2 Case 2（Diabetes）：通过同样优化，最优模型含3个潜变量，Q/T²置信水平为0.95/0.95，非糖尿病/糖尿病分配概率为0.95/0.95；训练与预测DMCEN分别为0.2620和0.2539。训练集691名个体位于PLSbox2（119名非糖尿病、572名糖尿病），42名被同时归入两类；40名“predict-diabetic”个体中21名归入非糖尿病类、13名归入两类、3名归入糖尿病类，同时归入两类的比例13/40远高于糖尿病个体的22/572。非糖尿病类与糖尿病类灵敏度分别为0.9664和0.9528，特异度分别为0.9143和0.8235；糖尿病类密度函数呈双峰。

4.2 Results From ASCA（ASCA结果）
4.2.1 Case 1（CVD）：通过对77名同时归入两类的个体应用ASCA，将18个预测变量作为响应、健康/患病作为因素，因素效应为1.5%；10000次置换检验得p=0.3027，无足够证据拒绝无效应原假设，说明这些个体预测变量缺乏区分健康与患病的信息，分类模糊并非程序构建所致。
4.2.2 Case 2（Diabetes）：通过对42名同时归入两类的个体应用ASCA，将10个预测变量作为响应、非糖尿病/糖尿病作为因素，因素效应为7.3%；10000次置换检验得p=0.0547，无足够证据拒绝无效应原假设，说明这些个体预测变量亦不足以清晰区分非糖尿病与糖尿病。

4.3 Results for SIMCA Model（SIMCA模型结果）
4.3.1 Case 1（CVD）：通过应用SIMCA（soft independent modeling of class analogy）并与PLS-CM比较，0.95置信水平下训练与预测DMCEN为0.4618和0.5294，灵敏度较高但特异度较低（0.3625和0.4598）；0.99置信水平下训练DMCEN为0.5268，特异度进一步变差。PLS-CM的DMCEN更低且灵敏度—特异度更平衡。
4.3.2 Case 2（Diabetes）：通过应用SIMCA并与PLS-CM比较，训练与预测DMCEN为0.3934和0.4286，均差于PLS-CM；糖尿病类特异度在训练和交叉验证中分别低至0.0889和0.1135。结果表明PLS-CM在该案例中亦优于SIMCA。

讨论部分强调，重叠区域可用于识别不能明确判为健康或患病的个体；ASCA结果表明两个案例中同时归入两类的个体缺乏统计学显著的判别信息，提示应进行额外诊断检测。PLS-CM在两个案例中均优于SIMCA，可降低DMCEN并改善类别灵敏度与特异度平衡，尤其糖尿病案例。结构上，当健康向疾病的转变并非突变时，PLS-CM与ASCA联合方法适合医学评估；其识别的模糊区域可解释为诊断证据不足以支持临床决策的领域。

研究结论译文：研究人员通过PLS-CM对两个案例研究（CVD和糖尿病）中的健康与患病患者进行类建模，并针对潜变量数、Q和T²统计量置信限以及2类模型中的类别分界概率优化DMCEN。优化过程不仅降低DMCEN值，而且在训练和预测中显著改善类别灵敏度与特异度之间的平衡。将ASCA应用于77名（案例1）和42名（案例2）同时归入两类的个体的预测变量，未显示健康与患病之间具有统计学显著意义的判别信息，提示应进行额外诊断检测。两个案例中PLS-CM结果均优于SIMCA，DMCEN值降低，类别灵敏度与特异度之间的平衡（尤其在案例2中）显著改善。从结构上看，当从健康到疾病的转变并非突变时，PLS-CM与ASCA联合方法很适合医学评估。所提出的PLS-CM方法识别的模糊区域可解释为诊断证据不足以支持临床决策的领域，而这是判别方法无法处理的任务。