黑色素瘤分类中经典统计模型与机器学习模型的比较性能

《Electronics》：Comparative Performance of Classical Statistical and Machine Learning Models for Melanoma Classification

　　

早期且准确的黑色素瘤分类对于改善患者结局和支持临床决策至关重要。尽管已有众多预测模型被提出，但经典统计方法与现代机器学习算法之间的比较常受限于异质的分析工作流和不一致的验证策略。本研究旨在采用完全可复现的分析框架，比较经典统计模型与机器学习模型在黑色素瘤分类中的预测性能。研究人员开展了一项回顾性观察研究，使用来自ISIC Archive的公开BCN20000皮肤镜数据集。经标准化数据预处理后，采用四个常规可用的临床变量（年龄、性别、解剖部位和黑素细胞状态）构建Logistic回归（LR）、广义加性模型（GAM）、随机森林（RF）和极端梯度提升（XGBoost）分类器。所有模型在相同分层训练/测试划分下训练与评估，性能通过判别力、校准度和SHAP可解释性分析进行评价。机器学习模型（尤其是XGBoost和RF）相比传统统计方法取得了更优的预测性能，而患者年龄是最具影响力的恶性预测因子。所提出的框架为客观比较预测模型提供了透明且可复现的途径，并支持开发准确、可解释且可复现的黑色素瘤分类临床决策支持系统。

研究背景与立项依据

黑色素瘤是侵袭性最强的皮肤癌类型，其预后与诊断时疾病分期和肿瘤厚度密切相关。近年来计算机辅助诊断系统（CADS）与基于统计学习、机器学习及深度学习的预测模型快速发展，但现有文献中的模型比较面临数据集异质、预测变量不同、预处理流程不一致、验证策略多样以及过度关注判别指标而忽视校准度、临床效用与可解释性等方法论局限。研究人员指出，常规收集的临床元数据（如年龄、性别、部位、黑素细胞状态）的预测价值在标准化框架下仍未被充分探索。为此，本文在《Electronics》发表的研究中，依托公开BCN20000皮肤镜元数据，构建统一分析管道，系统比较LR、GAM、RF与XGBoost四类模型在良恶性二分类中的表现，并整合判别、校准、SHAP解释与病变级聚类bootstrap不确定性估计，以提供透明、可复现且兼顾临床适用性的方法学基准。

主要关键技术方法

研究人员采用ISIC Archive公开的BCN20000皮肤镜数据集（原始18,946条图像级观测），经排除无明确诊断、不确定诊断及预测变量缺失记录后，保留16,358条图像级观测对应4,636个唯一病灶。预测变量为年龄（连续）、性别、解剖部位、黑素细胞状态；以病灶ID为分组依据进行分层随机划分（训练80%/测试20%，种子123），确保同病灶图像不跨集。四类模型为LR（基线）、GAM（年龄用薄板回归样条k=10）、RF（5折分层分组交叉验证调参，最终300树、mtry=2、最小节点10、最大深度5）与XGBoost（同分组CV，早停机制，最终max_depth=4、eta=0.03、min_child_weight=5、subsample=0.8、colsample_bytree=0.8、74轮）。性能评估含AUC、准确率、敏感性、特异性、PPV、NPV、F1、平衡准确率、Brier分数、校准截距/斜率，不确定性通过2,000次病变级聚类bootstrap（种子123）估计，AUC差异用Holm校正。可解释性通过对测试集XGBoost模型调用TreeSHAP获得全局与局部贡献。

研究结果

3.1 研究人群：在17,790条确定诊断观测中，良性7,831（44.0%）、不确定1,088（6.1%）、恶性8,871（49.9%）。恶性病灶患者中位年龄65岁（IQR 50–75），显著高于良性中位45岁（IQR 35–65）；部位分布上恶性更多见于前躯干与头颈；黑素细胞状态在良性中72.1%为黑素细胞性，恶性中52.3%为黑素细胞性、47.7%非黑素细胞性。Kruskal–Wallis与Pearson χ2检验确认各组间年龄及分类变量差异均显著（p<0.001）。

3.3 预测建模：在独立病变分离测试集（926病灶/3,181图像）上，LR与GAM的AUC均为0.745（集群bootstrap 95%CI 0.706–0.782与0.706–0.781），阈值0.5时准确率67.9%与68.8%；RF获最高AUC 0.776（0.737–0.811）、准确率70.5%、Brier 0.193；XGBoost AUC 0.767（0.729–0.803）、敏感度78.6%最高、Brier 0.198。Holm校正后RF显著优于LR与GAM，RF与XGBoost间差异未达显著。校准方面，LR/GAM斜率CI含1（1.082与1.107），RF/XGBoost斜率分别为1.258与1.410（CI全>1，概率输出更压缩）；RF的Brier最低。

3.4 模型可解释性：对最优XGBoost施以SHAP，年龄的均值绝对SHAP值0.536居首，其后为黑素细胞状态0.189、解剖部位0.160、性别0.045；年龄SHAP依赖图显示约55岁起由负转正，但研究人员强调此为描述性而非临床阈值。SHAP加和性与模型logit输出误差≤1.63×10^?7。

讨论浓缩

研究人员在讨论中指出，集成学习（RF、XGBoost）相较回归类模型（LR、GAM）带来中等程度但并非革命性的判别提升，提示在仅用常规临床元数据时，预测天花板更多由输入信息量而非算法复杂度决定。RF虽判别最高但校准斜率偏离理想值更多；XGBoost敏感度最高且SHAP透明性较好。作者明确本研无皮肤镜图像，结果应视为“无图像依赖的下界基准”，未来增益需靠 richer predictor sets（如影像、多模态）而非单纯换复杂算法。SHAP揭示年龄为主驱动力，与流行病学及描述统计一致，但解释性不等于临床效度，模型属比较研究工具而非部署级诊断系统。

结论翻译

本研究在单一一致分析框架下评估了常规统计方法与现代机器学习算法利用常规结构化临床元数据分类黑色素瘤的能力。机器学习算法较回归方法带来中度但可测的改进：RF判别最高、整体准确率最高、Brier最低；XGBoost整体分类相当且敏感度最高；LR与GAM结构更简单但判别满意且几乎一致。考虑病变级聚类与多重比较后，RF判别显著优于LR与GAM，其与XGBoost的数值优势未达显著。该模式表明常规临床元数据含有意义预测信息，进一步性能提升可能更依赖更丰富的预测变量集而非单纯增加算法复杂度。除算法比较外，本工作主要贡献在于定义了透明、可复现且统计严谨的结构化临床数据分析框架，集成描述/推断统计、预测建模、定量校准、病变感知内部验证与不确定性估计、判别的形式化比较及可解释人工智能于单一管道，以促进复现与方法透明，并为黑色素瘤之外结构化临床数据提供参照框架。