摘要
背景
酒精使用障碍（AUD）的广泛相关性因素（例如人口统计学特征、社会经济地位[SES]、脑科学特征、遗传学因素）通常表现为效应量较小，且研究往往相互独立进行。新颖的多变量非线性方法可能有助于刻画AUD的多面相关性特征并识别其最强预测因子。
方法
本研究利用梯度提升机（GBMs），基于以下5个领域内的特征（n=440个）对UK Biobank（N=12,178）中的AUD进行分类：(1)人口统计学特征（n=12）、(2)社会经济地位（n=18）、(3)非成瘾物质相关心理健康（n=55）、(4)非酒精类物质使用（n=6）、(5)生物学特征（n=342）。我们利用可解释人工智能（xAI）来刻画各特征对模型性能的贡献及其异质性，以及各领域特征对模型性能的集体贡献程度。
结果
在样本外保留测试集（n=6,089）中，我们的模型对终生AUD分类表现良好（AUC=0.80）。值得注意的是，特征重要性分析表明，人口统计学特征（年龄、性别、收入）、物质使用情况（是否曾经吸烟或使用大麻）以及心理健康问卷（社交孤立）对AUD分类最具信息量。梯度提升机显著优于线性模型，且变量间存在显著的非零两两交互效应，提示AUD表型可能因收入和性别不同而存在异质性。此外，逐步纳入神经影像和遗传数据作为特征，对AUD分类产生了虽小但一致的提升，效应量分布在多个变量中（基于整体模型分类的增益为0%–2%）。这表明生物学特征在超越心理和人口统计学指标方面对AUD分类仍具有重要作用，尽管仅凭单一选定脑区的分类能力可能有限。
结论
考虑非线性关系的多模态多变量方法可能改善我们对AUD相关性因素的理解。特别是，纳入与人口统计学因素的交互效应以及整合跨生物学特征的信息，可能进一步提升模型性能。
图文摘要
整合人口统计学、心理学和生物学数据的多模态非线性AI模型，有助于深化对酒精使用障碍的理解。考虑变量间的交互效应以及心理生物学特征，可能使分类超越单领域或线性方法的局限性。最终，这些关系可能支持更精确的分型、更好的风险识别以及更优的预防和治疗策略。
利益冲突
作者声明不存在利益冲突。
数据可用性声明
支持本研究结果的数据可在UK BioBank公开获取：https://www.ukbiobank.ac.uk/about-our-data/。
