《BMC Medical Research Methodology》：Single-label and multi-label classification for disease recognition with special consideration of comorbidities
编辑推荐：
背景：某些疾病需要快速治疗以避免对患者造成长期后果。然而，这些疾病可能难以识别，特别是当症状模糊且与多种可能的诊断相容时。完成所有必要检查通常耗时，从而延长患者的痛苦。数据驱动方法，如单标签分类（SLC）和多标签分类（MLC），有助于加速诊断过程并提高准确性。
背景：某些疾病需要快速治疗以避免对患者造成长期后果。然而，这些疾病可能难以识别，特别是当症状模糊且与多种可能的诊断相容时。完成所有必要检查通常耗时，从而延长患者的痛苦。数据驱动方法，如单标签分类（SLC）和多标签分类（MLC），有助于加速诊断过程并提高准确性。方法：比较SLC和MLC使研究人员能够探究疾病识别是否获益于考虑合并症。在此背景下，研究人员旨在从模型构建、决策空间和类别不平衡处理方面，对这两种方法（的差异）提供概念性框架。为了实证评估它们的性能，研究人员开展了一项案例研究，将SLC和MLC应用于慢性疼痛患者的数据。结果：研究人员的分析在是否纳入合并症能改善疾病识别方面呈现模糊图景。SLC和MLC的适用性由多种因素决定，特别是疾病之间的依赖结构以及疾病与协变量之间的依赖结构，此外还有如类别不平衡等数据特征。因此，以个体化方式处理每个具体问题至关重要，尤其是在影响显著的情况下，例如患者转诊。结论：研究人员的重点强调了在疾病识别及其他应用中，选择适当分类方法时考虑数据具体特征的重要性。研究人员阐明了潜在假设、学习结构和处理类别不平衡的策略如何塑造预测性能。因此，研究结果引向一点：计算预测工具应作为治疗医师的决策支持，但绝不能替代其临床判断。
**研究背景与问题**
某些疾病（如免疫介导的炎症性疾病）需及时治疗以避免不可逆后果，但其症状常模糊且与多种诊断重叠，导致确诊耗时。数据驱动的分类方法（如单标签分类SLC和多标签分类MLC）可加速诊断，但两者在疾病识别中是否应同时考虑合并症（comorbidities）尚无定论。现有研究多单独应用SLC或MLC，缺乏对两者概念基础、决策空间及类别不平衡处理策略的系统比较。为此，研究人员开展比较研究，旨在阐明两种方法的差异及其对疾病识别的影响。
**研究内容与意义**
研究人员以慢性疼痛患者数据为案例，对比SLC与MLC在疾病识别中的表现，特别关注合并症的潜在价值。研究发表在《BMC Medical Research Methodology》。结果表明，合并症的纳入并未明确改善识别效果；分类方法的适用性取决于疾病依赖结构、类别不平衡程度等多因素。研究强调，选择分类方法需结合数据特性，计算工具应作为临床决策支持而非取代医生判断。
**关键技术方法**
研究人员使用德国比勒费尔德内科和风湿病科医院2019–2021年663例疑似或确诊风湿病患者横截面数据。主要方法包括：决策树（DT）、随机森林（RF）、逻辑回归模型（LRM）、k近邻（k-NN）和多层感知机（MLP）作为基分类器；针对MLC采用转换方法中的分类器链（CC）以利用标签相关性；通过嵌套交叉验证（外十折、内五折）优化超参数；类不平衡处理采用随机过采样（ROS）与随机欠采样（RUS）的组合（SLC中按类处理，MLC中按标签集处理）。
**研究结果**
- **分类器比较（Comparison of classifiers）**
对比DT、RF、LRM、k-NN和MLP，发现RF在多数方法中表现最优（如方法1b、2a、2b、3a），MLP在方法1a最佳，LRM在方法3b最佳；DT和k-NN性能较低。
- **方法比较（Comparison of approaches）**
比较六种方法（1a/b: 二分类SLC、2a/b: 多类SLC、3a/b: 多类MLC），发现有无重平衡对性能影响显著：对于二分类SLC，重平衡提升敏感度但降低特异度；对于多类SLC，重平衡反而降低敏感度；对于多类MLC，重平衡提升敏感度。整体上，基于F1分数，方法1b（二分类SLC+重平衡）表现最佳（敏感度62.9%，F1分数63.9%），而方法2b（多类SLC+重平衡）特异度最高（90.4%），但方法3a（多类MLC无重平衡）从未优于其他方法。
- **有无重平衡的方法对比（Approaches with vs. without rebalancing）**
在二分类中，重平衡使多数分类器F1分数提升1.6–5.9百分点，但特异度和精度下降。在多类SLC中，重平衡导致敏感度骤降（最多16.6百分点），但特异度提升。在多类MLC中，重平衡提升敏感度4.7–13.6百分点，但降低特异度。结论：重平衡的效果依赖于类别数和分类框架。
- **无重平衡方法对比（Approaches without rebalancing）**
方法3a（多类MLC无重平衡）的敏感度低于方法2a（多类SLC无重平衡），可能因CC中先前标签预测不准确影响IMID预测，且类别不平衡严重。
- **有重平衡方法对比（Approaches with rebalancing）**
方法2b敏感度最低（最多比1b低21.1百分点），但特异度和精度最高；方法1b在多数分类器上F1分数最优，方法3b在MLP上最优。MLC并未普遍优于SLC，尽管疾病间存在统计关联（Pearson χ2检验显示IMID与FMS、OPCD相关）。
**讨论与结论**
讨论指出，合并症关联强度不足、缺失关键协变量（如X光结果）、类别不平衡严重及患者筛选偏差（如部分患者已接受治疗）可能解释为何MLC未带来明确优势。研究结论（翻译）：本研究对SLC和MLC方法进行了方法论检验，特别聚焦基于健康记录的疾病识别。通过概念和实证解释比较两种框架，阐明了潜在假设、学习结构和类别不平衡处理策略如何塑造预测性能。基于临床患者数据的案例研究展示了这些方法选择的实际影响，特别是同时考虑合并症时。研究表明，计算预测工具应始终作为治疗医师的决策支持——补充而非替代其临床判断。未来研究应致力于细化数据质量、探索高级建模技术，并开发透明、可解释的工具以有效辅助临床决策。
