《Signals》：An AI-Driven Two-Stage Feature Fusion-Based Ensemble Model for Liver Disorder Prediction
编辑推荐：
肝脏在维持基本生理功能中起着关键作用；然而，过量饮酒显著增加肝脏疾病风险。对此类疾病进行准确且早期的预测对于及时干预和有效临床管理至关重要。尽管如此，肝脏疾病预测通常面临类别不平衡的挑战，这使得常规固定分类阈值（0.5）在二分类中并非最优。为解决这些问题，研究
肝脏在维持基本生理功能中起着关键作用；然而，过量饮酒显著增加肝脏疾病风险。对此类疾病进行准确且早期的预测对于及时干预和有效临床管理至关重要。尽管如此，肝脏疾病预测通常面临类别不平衡的挑战，这使得常规固定分类阈值（0.5）在二分类中并非最优。为解决这些问题，研究人员提出了一种人工智能（AI）驱动的基于两阶段特征融合的集成模型，用于智能生物医学数据处理与肝脏疾病预测。第一阶段，采用多种基于树的集成模型评估特征重要性，并设计特征选择策略以筛选最优判别特征子集。第二阶段，将这些基学习器生成的预测概率与所选特征子集合成，通过特征级信息融合构建增强特征空间。这种概率感知融合策略捕获更丰富的预测信息，缓解了固定阈值二分类的局限。此外，采用元集成模型聚合多学习器的异质预测模式，并基于优化阈值进行最终预测。基于两个基准肝脏疾病数据集的大量实验表明，所提模型在预测性能上持续优于对比模型。统计分析也确认所提模型显著优于对比方法。这些结果表明，所提模型可作为有用的AI辅助生物医学医疗数据处理工具用于肝脏疾病预测。
研究背景与问题提出
肝脏负责代谢调节、蛋白质合成、解毒和胆汁生成等广泛生理功能，但过量饮酒会引发炎症、纤维化及各类肝脏疾病，给全球医疗带来沉重负担。随着人工智能发展，机器学习（ML）已被广泛用于肝脏疾病预测，如改进多层感知机（MLP）、粒子群优化结合支持向量机（SVM）、随机森林（RF）预测脂肪肝、基于Boosting的慢性病预测以及Categorical Boosting（CatBoost）等。然而现有方法仍存在两点局限：一是肝脏数据集常呈类别不平衡（健康样本远多于患病样本），依赖固定决策阈值0.5的二分类模型易偏向多数类，导致对少数类（患病）灵敏度差；二是多数研究独立进行特征选择或模型优化，未充分利用多模型产生的互补信息，尤其忽略了各学习器预测概率所含的置信度与不确定性信息。为此，研究人员在stacking与元学习框架下，提出任务驱动的协同模型TSFFEM（Two-Stage Feature Fusion-Based Ensemble Model），面向不平衡肝脏疾病预测，联合特征选择、概率生成、概率感知融合与CatBoost元学习及自适应阈值优化。
研究数据与关键技术方法
研究人员使用两个UCI基准数据集：Case 1为345样本的UCI Liver Disorders Dataset（5个生化属性，85正类/260负类）；Case 2为583样本的Indian Liver Patient Dataset（ILPD，10个临床特征，416正类/167负类）。主要技术方法包括：（1）基于RF与XGBoost多树集成模型平均特征重要性、按累计90%重要性阈值筛选特征子集；（2）基学习器在筛选特征上训练并输出后验概率，将RF与XGBoost的概率向量与原始选中特征拼接成融合特征矩阵；（3）以CatBoost为元学习器在融合特征上训练，并在验证集于0.45–0.55区间搜索最优决策阈值替代默认0.5；（4）采用10折交叉验证与20次独立运行的Wilcoxon秩和检验评估精度（Accuracy）、精确率（Precision）、召回率（Recall/Sensitivity）、特异度（Specificity）、F1值与马修斯相关系数（MCC）。
研究结果
3.1 问题定义：给定输入矩阵X∈RN×M与标签y∈{0,1}，学习函数f:X→[0,1]估计患病后验概率。
3.2 第一阶段特征选择：RF与XGBoost因分裂机制不同提供互补重要性视角，平均得分为Ij=(1/K)ΣkIj(k)，取累计贡献≥90%的最小特征集Xs，隐式降低冗余并保留判别性。
3.3 第二阶段概率感知融合：基学习器对Xs训练后输出概率pRF,pXGB，融合特征Z=[Xs, pRF, pXGB]；概率特征被视作决策空间高阶描述符而非替代原特征，使元学习器同时利用特征空间与决策空间信息。
3.4 CatBoost元学习与自适应阈值：元学习器输出概率经阈值τ（非0.5）判定类别，τ在0.45–0.55网格寻优以平衡灵敏度和特异度。
3.5 训练流程：树模型算重要性→选特征→基学习器训于Xs出概率→拼接Z→CatBoost训于Z。推理时基学习器用全训练集重训以避免信息泄漏。
3.6 评估：6指标+10折CV+Wilcoxon检验。
实验结果显示，Case 1中TSFFEM取得Accuracy=0.8078、Precision=0.8236、Recall=0.9433、Specificity=0.4163、F1=0.8771、MCC=0.4382，六项均最优；Wilcoxon检验表明相较MLP/SVM/XGBoost各指标p<0.05显著，相较RF仅在Recall上p=0.4328不显著，相较CatBoost仅Precision上p=0.1046不显著。Case 2中TSFFEM获Accuracy=0.7084、Precision=0.7782、Specificity=0.3876、MCC=0.2362最高，但RF的Recall=0.9220与F1=0.8132略优；TSFFEM以更高Precision与Specificity换取更平衡边界，MCC最高说明整体判别更优。消融实验（表8）去特征选择MCC降至0.2589，去自适应阈值降至0.3218，概率直接平均降至0.3328，去两阶段机制降至0.4020，证明各模块贡献。阈值敏感性分析显示UCI集上τ=0.45时F1=0.8731、MCC=0.4239最优，模型对适中阈值变动鲁棒。
讨论与结论翻译
讨论部分指出，TSFFEM在两数据集上均展现有效性与稳定性，其优势源于两阶段联合特征选择与原概率融合、以及自适应阈值缓解多数类偏置；Wilcoxon与箱线图佐证其显著优于基线且波动低。局限性包括阈值优化可引入群体智能、类别不平衡仅部分靠阈值处理未来可结合重采样、需在受控模拟与多中心大队列进一步验证。
结论部分译文：本文提出一种面向类别不平衡肝脏疾病预测的基于两阶段特征融合的集成模型，该模型整合特征选择、概率感知特征融合及带自适应阈值的CatBoost元学习器以提升分类性能。在两个基准肝脏疾病数据集上的实验表明，所提TSFFEM较常规机器学习模型持续获得竞争或更优预测表现，尤其在灵敏度和特异度间取得改善平衡，从而获得更优MCC值与更鲁棒的不平衡数据分类性能。统计显著性分析进一步确认了所提模型的有效性与稳定性。因此，所提TSFFEM能为肝脏疾病预测提供有效实用方案，并在临床决策支持应用中具备良好潜力。未来工作将探索交互感知特征选择、数据驱动代价敏感阈值校准，以及融合数据级不平衡策略并在大规模多中心多类临床数据上验证泛化能力。该研究发表于《Signals》。
