利用成本敏感逻辑回归提升不平衡临床数据中的罕见事件预测精度

《BMC Medical Research Methodology》：Improving rare event prediction in imbalanced clinical data using cost-sensitive logistic regression

　　

摘要

背景

在临床研究中，罕见结果十分常见，这往往会导致严重的类别不平衡问题。在这种情况下，传统的逻辑回归模型容易偏向多数类，对具有临床重要意义的罕见事件的敏感度较低。虽然复杂的机器学习方法可以提高预测精度，但其可解释性较差，限制了其在临床上的应用。因此，仍需要一种既有效又具备可解释性的建模策略来处理高度不平衡的临床数据。

方法

我们通过将不同分类结果对应的不同误分类成本纳入逻辑损失函数中，构建了一种成本敏感型逻辑回归（CS-LR）模型。该框架旨在优先考虑那些虽罕见但具有临床重要意义的结局，同时保留比值比的解读能力。我们在四种不同的协变量场景下进行了模拟研究，不平衡比例从1%到30%，样本量分别为500和2000。我们将CS-LR与传统逻辑回归、成本敏感型支持向量机以及AdaBoost进行了比较。此外，还使用肝脏纤维化数据集和ESD术后出血数据集进行了外部验证。

结果

在各种模拟场景下，CS-LR都表现出稳定的收敛性，并且在样本量较小（N＝500）且类别极度不平衡（阳性类比例＜5%）的情况下，其少数类的检测能力有所提升。其优势在召回率、F1分数和G均值方面最为明显，而AUC值则基本保持相近水平。在肝脏纤维化验证中，无论样本量和阳性类比例如何，CS-LR的召回率及G均值始终高于传统逻辑回归。在ESD术后出血数据集中，CS-LR在所有比较模型中表现最佳，同时还保持了可解释的系数和比值比估计值。

结论

CS-LR为高度不平衡的医疗数据中的罕见事件预测提供了一种既具有可解释性又适合临床应用的框架。在那些漏诊阳性病例会带来严重后果的临床预测任务中，如癌症筛查、术后并发症预测以及罕见不良临床事件的检测，这一方法可能具有特别的应用价值。