SMOTE–FH：一种用于混合类型不平衡学习的分数拟范数混合过采样方法及其在心血管疾病检测中的应用

《Expert Systems with Applications》：SMOTE–FH: A Fractional Quasi–Norm Hybrid Oversampling Method for Mixed-Type Imbalanced Learning with Application to Cardiovascular Disease Detection

　　•混合距离改进混合类型数据的邻居选择。
•分数准范数提供可调的数值几何。
•加权汉明距离平衡分类特征的影响。
•总体上提升分类器的召回导向性能。
•使用独立时间验证和SHAP分析进行评估。

引言
心血管疾病（CVD）仍是全球发病率和死亡率的主要原因之一，及时识别受影响患者对于启动治疗和预防不良结局至关重要（世界卫生组织，2025）。许多临床上重要的心血管终点，如主要不良心脏事件、围手术期并发症、非计划性重症监护入院、药物过量和短期死亡率，在现实世界的医院队列中仅很少发生。这种罕见性导致结果分布严重不平衡，给可靠预测模型的开发带来挑战，并常常使基于准确率的评估显得过于乐观，而模型对临床相关的少数类仍然效能不足（Abdelhay, Shatnawi, Najadat, & Altamimi, 2025; Cartus, Samuels, Cerdá, & Marshall, 2023; Luu et al., 2024）。在患有多种代谢性或慢性合并症的患者中，这一挑战进一步放大，这些患者面临显著升高的风险，但绝对意义上仍很少经历不良事件（Fuchs & Whelton, 2020; Leon & Maddox, 2015; Petrie, Guzik, & Touyz, 2018; Washio et al., 2001）。这些群体代表了高召回风险分层的优先人群。在筛查和病例发现流程中，未被检测到的患者可能无法及时接受治疗，假阴性带来的临床后果远大于假阳性，使得召回率成为比总体准确率更合适的操作目标（Hicks et al., 2022; Huang et al., 2021; Tuion, Chumpong, & Samart, 2026）。上述终点被引用为促成本工作的类别不平衡问题的常见实例，并非本文所建模的结果：本研究针对横断面队列中记录的、流行的CVD检测，具体见第4.1小节。方法论贡献涉及混合类型不平衡数据的过采样，与结果是流行还是新发无关。

在混合类型的临床表格数据中实现高召回率尤其具有挑战性，这些数据将异构的数值和分类特征与偏斜或噪声分布相结合。已知这些特征会阻碍少数类学习，并降低简单重采样策略的有效性（Branco, Torgo, & Ribeiro, 2016; Johnson & Khoshgoftaar, 2019）。电子健康记录和注册数据集通常包含连续和有序的实验室测量值、生命体征和风险评分，以及诊断、操作、药物和人口统计属性等分类描述符。经典的过采样方法如合成少数类过采样技术（SMOTE）（Chawla, Bowyer, Hall, & Kegelmeyer, 2002）专为纯数值空间设计，依赖?2距离，而名义和连续特征的SMOTE（SMOTENC）通过将?2距离与未加权汉明计数相结合扩展了这一思想（Chawla et al., 2002）；临床应用见G?k与Olgun（2021）。基于SMOTE的过采样方法的最新发展主要集中在改进合成样本生成过程，而非邻居选择中使用的相似性公式。代表性方法包括Borderline-SMOTE、ADASYN、KMeans-SMOTE、Geometric SMOTE和Localized Random Affine Shadowsampling，它们分别引入了边界感知、密度自适应、基于聚类、几何和局部化插值策略来生成少数类样本（Bej, Davtyan, Wolfien, Nassar, & Wolkenhauer, 2021; Douzas & Bacao, 2019; Douzas, Bacao, & Last, 2018; Han, Wang, & Mao, 2005; He, Bai, Garcia, & Li, 2008）。尽管这些方法在合成样本生成方式上有所不同，但它们通常保留从SMOTE或SMOTENC继承的传统邻居搜索公式，依赖数值特征的固定欧几里得几何以及未加权汉明分类差异。因此，尽管合成样本生成有所进步，底层混合类型邻域几何基本保持不变。这种固定几何对重尾或高方差数值特征敏感，并且不允许分类不匹配的集体贡献相对于数值分量进行调整，导致邻域结构可能无法充分表示异构特征类型的相互作用（Aggarwal, 2016; He & Garcia, 2009）。此类基于SMOTE的重采样策略也已应用于慢性疾病的临床机器学习研究，包括糖尿病预测任务（Chapakiya, Traisuwan, Chumpong, & Chumpong, 2025; Khanarsa, Suwanmanee, Chumpong, & Chumpong, 2025）。

尽管这些局限性已得到充分认识，混合类型数据的过采样方法仍依赖于固定的类欧几里得几何来构建邻域。因此，SMOTE和SMOTENC对异常值仍然敏感，对临床上有意义的分类结构响应不足（Aggarwal, 2016; Ahmad & Dey, 2007）。分数?p准范数（0 < p < 1）提供了一种替代的数值几何，抑制极端值并保持局部变化，这在优化和信号处理研究中得到证明（An & Jiang, 2024; Giampouras, Vidal, Rontogiannis, & Haeffele, 2020; Sleem, Ashour, Aybat, & Lagoa, 2024），但这些研究并未涉及数据级重采样。因此，分数指数和分类权重从未被联合视为SMOTE过采样中邻居搜索几何的可调组件；这一差距在第2.3小节中阐明。这激发了一种过采样公式，其中两者都是显式设计参数。

为解决这些局限性，我们引入FH相似性几何，通过结合可调数值距离和加权分类公式增强SMOTE，形成SMOTE-FH框架。该方法将数值特征的分数?p距离与分类变量的加权汉明公式相结合，允许数值指数和分类权重通过可调参数控制邻域形成。我们在多个分类器上进行系统参数研究，并在临床驱动的建模工作流程中评估该框架，包括分类器特定调参、阈值优化、独立时间验证和基于SHapley Additive exPlanations（SHAP）的解释。这项工作既为混合类型数据的过采样提供了方法论扩展，也提供了反映临床高召回预测模型实践选择方式的全面评估协议。为说明实际实施，我们还提供了一个轻量级Web应用程序，将最终调优模型用于探索性筛查。

本工作的贡献及我们声称的新颖性范围如下：

（i）混合类型过采样的可调邻居搜索几何。SMOTE-FH通过数值特征上的分数?p准范数（0 < p < 1）与分类特征上的块加权汉明差异（权重λ）相结合定义少数类邻域，使邻居选择由双参数族（p, λ）几何控制。据我们所知，修改邻居搜索距离的SMOTE类方法均使用Minkowski距离（p ≥ 1）或余弦距离在纯数值数据上操作，那些原生处理分类特征的方法预先固定异构距离，而SMOTE-FH是第一个在此角色中考察分数区域0 < p < 1，并将数值指数和分类块权重作为混合类型数据邻居选择的联合显式设计参数。最接近的先前工作在第2.3小节和表1中阐明。

（ii）隔离的受控修改。仅改变SMOTENC的邻居搜索阶段；其数值特征插值规则和分类特征分配规则保持不变，尽管分类规则现在在FH定义的邻域上操作。因此，SMOTE-FH是SMOTENC的直接替代品，两者之间的任何差异仅归因于邻域几何。此决策背后的设计考虑及备选方案在第3.7小节中阐明。

（iii）临床驱动的几何评估。(p, λ, r)族在四个分类器上对照SMOTENC-L2、随机过采样和五种需要分类编码的过采样器进行研究，在预先固定的标准下进行筛查导向的模型选择，其残差自由度在第5.4和6.9小节报告，独立时间验证、校准和决策曲线分析，以及在原始患者分布上的SHAP解释。

章节片段
相关工作
本节回顾了与不平衡临床数据过采样和混合类型特征空间中的距离学习相关的先前工作。我们首先总结SMOTE在CVD预测中的使用，然后讨论SMOTENC在混合数值和分类数据中的局限性。接着，我们回顾替代距离公式和相似度度量的进展，这些进展为在异构临床数据集中实现更灵活的过采样几何提供了动机。

SMOTE-FH：分数-混合过采样框架
受上述差距的启发，我们引入SMOTE-FH，一个分数-混合过采样框架，将分数数值准范数（p < 1）与加权分类差异相结合，为混合类型数据定义邻域。该框架基于五个设计决策，分别在第3.1-3.5小节中介绍，并连同考虑的备选方案在第3.7小节中汇总。

实验设置和评估协议
本节描述用于评估SMOTE-FH相对于多个基线采样方法在不同分类器上的实验设计。评估包括三个主要基线策略（无重采样（NR）、随机过采样（ROS）和SMOTENC-L2），以及五个额外过采样方法以提供更广泛的比较。完整工作流程包括预处理、重采样、模型训练、交叉验证和统计显著性检验。

结果
本节呈现实证结果，首先是与三个主要基线策略和五个额外过采样方法的比较。然后检验SMOTE-FH的总体性能和统计显著性，随后是典型模型的选择和优化、基于SHAP的解释和独立时间验证。

讨论
本节讨论实验发现的更广泛含义，强调SMOTE-FH如何影响召回导向分类器性能并指导最终模型选择。进一步检验模型敏感性、基于SHAP的可解释性和时间鲁棒性、预测概率的校准及其临床效用，然后是实际部署考虑和轻量级Web应用，说明模型将如何使用而非仅作为结论。

结论
本研究提出SMOTE-FH，一个分数-混合过采样框架，将数值特征的分数准范数与分类属性的加权汉明距离相结合，为混合类型临床数据中的合成样本生成提供可调邻域几何。实验结果表明，SMOTE-FH总体上提高了相对于无重采样的召回导向性能，同时与随机过采样和SMOTENC-L2保持竞争力。

CRediT作者贡献声明
Sidarat Srithong：数据管理、形式分析、调查、验证、可视化、写作-初稿。Supichaya Chumpong：概念化、形式分析、调查、方法论、资源、软件、监督、验证、写作-审阅与编辑。Attasuntorn Traisuwan：软件、可视化、写作-审阅与编辑。Kittisak Chumpong：概念化、形式分析、方法论、软件、监督、验证、写作-审阅与编辑。

利益冲突声明
作者声明，他们没有已知的竞争财务利益或个人关系，可能影响本论文报告的工作。

Sidarat Srithong|Supichaya Chumpong|Attasuntorn Traisuwan|Kittisak Chumpong