《Applied Sciences》：Machine Learning Classification of Health Outcome Groups in Descendants of Semipalatinsk-Exposed Individuals
编辑推荐：
塞米帕拉金斯克核试验场暴露个体的后代有记录的多代健康负担，但将父母剂量整合到后代结果预测建模中仍然缺乏。本研究评估了利用机器学习对注册表衍生的后代队列进行国际疾病分类（ICD）章节级别结局组分类的可行性，两个队列均限制为结局阳性个体。从国家科学自动化医学注册表
塞米帕拉金斯克核试验场暴露个体的后代有记录的多代健康负担，但将父母剂量整合到后代结果预测建模中仍然缺乏。本研究评估了利用机器学习对注册表衍生的后代队列进行国际疾病分类（ICD）章节级别结局组分类的可行性，两个队列均限制为结局阳性个体。从国家科学自动化医学注册表（SSAMR）中衍生出两个队列：第二代队列（n=7898）和三代试点队列（n=2841）。使用逻辑回归（Logistic Regression）、随机森林（Random Forest）、XGBoost和LightGBM，通过分层五折交叉验证，使用八个父母剂量和人口统计学预测因子进行评估；未包含任何后代级别的临床测量。在第二代队列中，心血管结局的受试者工作特征曲线下面积（AUC-ROC）达到0.819，肿瘤为0.776，复合终点为0.835。一项纳入死亡证明和协议记录的统一结局敏感性分析使第二代阳性计数增加了22.3–24.7%，而判别能力保持基本稳定。出生年份是主导预测因子，反映了生物衰老、确定差异和暴露时代混杂；仅剂量模型保留了0.619–0.761的AUC值，表明记录的父母剂量变量在该注册表队列中包含高于随机水平的预测信息，但未建立生物学、因果或可遗传的代际效应。第三代AUC值在0.901–0.918之间，在进行的重抽样检查中保持稳定，但最可能由结构性出生年份混杂驱动。这些结果为该核遗产注册表环境建立了可重复的性能基线，并确定健康队列纳入、年龄标准化确定和个体生物标志物是推进该研究的关键先决条件。
以下是根据论文《Machine Learning Classification of Health Outcome Groups in Descendants of Semipalatinsk-Exposed Individuals》撰写的解读文章，发表在《Applied Sciences》上。
**研究背景与问题**
塞米帕拉金斯克核试验场（SNTS）是长期辐射健康研究的重要场所，1949-1989年间进行的456次核试验使大量平民暴露于显著辐射剂量。暴露人群及其后代已被记录存在多代健康负担，包括实体癌、心血管疾病、细胞遗传学异常和先天畸形增加。然而，关于人类代际辐射效应的证据仍不明确：区域研究显示生物学信号（如染色体畸变率升高、小卫星突变频率增加），但日本原子弹幸存者后代和切尔诺贝利家庭基因组研究未发现显著的遗传效应。现有证据方法学上脆弱，存在小样本、长潜伏期、剂量重建不精确、结局定义异质性和非辐射混杂因素等问题。此外，已有的SNTS研究多集中于第一代或单一疾病，缺乏系统性的多代预测建模。因此，将父母剂量历史整合到后代结局评估中的结构化预测仍属空白，亟需建立方法学基准。
**研究内容与结论**
研究人员利用国家科学自动化医学注册表（SSAMR）构建了第二代队列（n=7898）和三代试点队列（n=2841），两者均限制为至少有一个记录健康结局的个体。采用逻辑回归（Logistic Regression）、随机森林（Random Forest）、XGBoost和LightGBM四种机器学习算法，基于八个预测因子（父亲剂量、母亲剂量、最大父母剂量、平均父母剂量、父亲剂量可用性、母亲剂量可用性、性别、出生年份）进行分层五折交叉验证，评估ICD章节级别结局组分类（心血管疾病[Chapter I]、肿瘤[Chapter C]和复合终点C/I）的可行性。在第二代队列中，心血管结局的AUC-ROC达到0.819，肿瘤为0.776，复合终点为0.835。出生年份是主导预测因子，其SHAP值约为父母剂量的8倍；仅剂量模型AUC为0.619-0.761，表明父母剂量变量包含高于随机水平的预测信息，但无法建立生物学因果效应。统一结局敏感性分析（纳入死亡证明和协议记录）使阳性计数增加22-25%，判别能力基本稳定。第三代队列AUC高达0.901-0.918，但出生年份混杂分析显示，在年龄带内AUC降至0.77-0.79，表明高值主要由结构性出生年份混杂驱动而非剂量信号。家族分组验证显示，排除相关个体重叠后判别变化极小。这些结果建立了该核遗产注册表环境下的可重复性能基线，并指出健康队列纳入、年龄标准化确定和个体生物标志物是推进研究的关键前提。
**主要关键技术方法**
数据来源为SSAMR，包含第二代队列（n=7898）和三代试点队列（n=2841）。主要技术方法包括：四个机器学习算法（逻辑回归[L2正则化]、随机森林[300棵树]、XGBoost[300估计器，学习率0.05]、LightGBM[内置不平衡处理]）；采用分层五折交叉验证；预测因子为八个变量（父亲剂量、母亲剂量、最大父母剂量、平均父母剂量、父亲剂量可用性、母亲剂量可用性、性别、出生年份）；缺失值通过中位数插补处理；评估指标为AUC-ROC、平均精确率（AP）和Brier分数；进行了年龄混杂消融分析、统一结局敏感性分析、家族分组验证、年龄分层描述性分析和置换检验。
**研究结果**
- **4.1 队列特征**：第二代队列中位出生年份1966年，男性占51.8%，父亲剂量中位数33.9 mGy，母亲剂量中位数27.9 mGy。心血管结局发生率16.5%，肿瘤6.1%，复合终点22.0%。第三代队列发生率较低（4.4%、1.5%、5.8%），父母剂量中位数也较低。
- **4.2 主分析：第二代队列**：四个模型对心血管结局的AUC-ROC为0.800-0.819，肿瘤为0.765-0.776，复合终点为0.812-0.835。LightGBM与XGBoost性能相似。
- **4.3 精确率-召回率性能与校准**：平均精确率（AP）在肿瘤结局中较低（0.129-0.173），心血管和复合终点较高（0.338-0.527）。模型在低中等召回率时超过基线精确率。校准分析显示未校准模型存在系统性低估或高估，等渗校准后Brier分数降低。
- **4.4 年龄混杂与剂量特征贡献**：SHAP分析显示出生年份是主导预测因子（平均绝对SHAP值约2.0），父母剂量变量排名第二至第五。去除出生年份后AUC-ROC下降0.060-0.113；仅剂量模型AUC为0.619-0.761，表明剂量变量包含预测信息但无法分离于年龄、确定和暴露时代混杂。
- **4.5 剂量相关事件率模式的年龄分层分析**：在1965年后出生的最年轻分层中，父亲剂量五分位数与心血管事件率呈显著正趋势（β=+2.37%/五分位，p=0.010）；1950年前出生分层中也有显著趋势（β=+6.16，p=0.003）。这些结果为描述性，非因果。
- **4.6 类别加权与不平衡感知分类指标**：在0.5阈值下，多数类（结局缺失）保持高召回率和F1，但阳性类精确率低，尤其是肿瘤（精确率0.13），表明模型排名能力好但阳性类校准差。
- **4.7 第三代试点分析**：AUC-ROC为0.901-0.918，经bootstrap置信区间、重复交叉验证和置换检验（p<0.05）支持稳定性。但年龄带内AUC降至0.77-0.79，表明高值主要由出生年份混杂驱动。剂量仅模型AUC约0.85，但无法归因于独立生物学效应。
- **4.8 结局定义敏感性分析**：统一结局定义使第二代心血管阳性增加22.3%，肿瘤增加24.7%，主要来自死亡证明记录。判别能力基本稳定或略有提高（AUC-ROC变化<0.03）。
- **4.9 家族分组验证**：87.7%第二代和85.5%第三代参与者成功重建家族链接。原始分层五折中有52.7-58.3%的验证集参与者与训练集有家族重叠，但家族分组验证后AUC-ROC变化最大仅0.0123，表明判别结果不主要受相关个体泄漏驱动。
- **4.10 与相关工作比较**：与Hamad等人（2023）和Bai等人（2023）的研究比较，揭示本研究结果受年龄结构和结局确定方式影响，而非代际效应传导。
- **4.11 局限性**：队列为结局选择型，无法推广到一般人群；存在年龄相关确定偏倚、缺失数据非随机、无外部验证、无法进行因果推断；父母剂量为累积有效等效剂量（EED），非器官特异性性腺剂量，不能量化生物学相关的生殖细胞暴露。
**讨论与结论总结**
讨论部分强调了出生年份作为混杂因素的三条路径（生物衰老、注册表确定、暴露时代），指出本研究结果受年龄结构条件限制，不能解释为遗传效应。结论部分翻译如下：
本研究评估了利用注册表衍生的父母剂量和人口统计学变量对塞米帕拉金斯克核试验场暴露个体后代中结局阳性队列进行ICD章节级别健康结局组分类的可行性。模型旨在为注册表基础的结局组分类提供内部方法学基准，而非临床监测或个体风险预测工具。在主要第二代队列（n=7898）中，模型在三个评估终点上表现出判别能力，表明可用的父母剂量和人口统计学变量包含与本狭窄定义的内部分类任务相关的信息。统一结局敏感性分析使第二代阳性计数增加约22-25%，主要来自死亡证明章节，但判别能力保持或适度提高，支持主建模结论对结局来源定义的稳健性。特征重要性分析确定出生年份为主导预测因子，反映年龄相关混杂；父母剂量变量在重要性排名中列第二至第五位，对预测性能有增量贡献。去除出生年份后AUC-ROC下降0.060-0.113；仅保留剂量变量时AUC仍高于随机水平（0.619-0.761），表明记录的父母剂量变量在该注册表队列中包含预测信息，但未建立独立的生物学或遗传剂量效应。在嵌套校准程序下，校准后的XGBoost模型对Chapter I和Chapter C产生了比未校准模型更低的外折Brier分数。第三代试点分析（n=2841）产生0.901-0.918的AUC值，经bootstrap置信区间、重复交叉验证和有限置换检验支持稳定性。通过消融、剂量仅和年龄带内分析评估升高值是否反映剂量信号或年龄相关混杂：去除出生年份仅使AUC降低0.035-0.065，剂量仅模型保留约0.85的AUC，而限制在年龄变异压缩的最老三分位数内时，AUC从约0.90降至0.77-0.79。这些结果共同表明，全样本判别能力的很大一部分反映年龄相关确定，而剩余的超随机性能不能唯一归因于父母剂量或遗传辐射效应。因此，第三代队列应被视为一个统计功效不足的方法学概念验证，而非独立的预测结果，完全分离剂量相关信号需要更大、年龄均衡的队列。综上所述，这些结果支持在该特定结局阳性核遗产注册表队列中进行ICD章节级别结局组分类的方法学可行性，并为评估未来更丰富模型提供了内部基线。它们未定义通用性能上限或支持临床部署。泛化能力仍受限于缺乏健康对照、后代级别生物学和临床预测因子、年龄标准化随访、对家族和确定结构的完全控制以及外部验证。未来工作应优先考虑包含健康个体的队列重建、纵向观察窗口、更丰富的生物学和背景协变量、利用更完整谱系的验证、正式因果方法以及在可比独立注册表中的复制。未来注册表研究应前瞻性地协调诊断、死亡证明和协议来源，并将疾病历史结局与死因终点区分开来。
