通过行为、生物学和环境变量对青少年饮酒进行分类：一种具有偏倚控制的机器学习方法

《Addiction Biology》：Classification of Adolescent Drinking via Behavioral, Biological and Environmental Variables: A Machine Learning Approach With Bias Control

　　

2024年，大约30%的美国青少年报告在其一生中至少饮用过酒精，其中约25%的人曾进行过狂饮。青少年酒精使用与神经发育损害、日后酒精使用和心理健康障碍风险升高相关。因此，识别驱动青少年酒精使用的变量并利用其进行早期识别和靶向干预非常重要。以往研究通常开发使用神经影像数据结合有限临床测量的机器学习分类模型。神经影像数据昂贵且难以大规模获取，而临床测量由于成本低且广泛可用，更适用于大规模筛查。然而，仅使用临床变量的酒精饮用分类方法在很大程度上仍未得到充分探索。此外，以往研究通常聚焦于成年人，限制了对更广泛青少年群体的普适性。另外，与酒精消耗强相关的混杂因素（如年龄和物质使用）常常未被充分处理，可能导致分类性能被夸大。最后，类别不平衡仍是一个持续挑战，先前的尝试仅带来有限改进。为解决这些局限，研究人员提出了FocalTab，一种将TabPFN与焦点损失（focal loss）相结合的框架，以实现稳健泛化并有效缓解类别不平衡。该方法还包含一个初始预处理步骤，以去除年龄和物质使用等混杂因素。研究人员在不同变量选择和数据集设置下将FocalTab与最先进方法进行了比较。在最严格的设置（即同时排除年龄和物质使用变量）中，FocalTab达到了最高准确度（0.841 ± 0.011）和特异度（0.803 ± 0.055），而竞争模型则降至接近随机的特异度（12%–24%）。研究人员进一步应用SHapley加性解释（SHAP）分析来确定饮酒者分类的关键临床预测因子，以支持增强筛查和早期干预。

本研究发表于《Addiction Biology》，旨在构建一种仅基于临床测量数据的机器学习（Machine Learning, ML）分类框架，用于识别青少年饮酒者。2024年数据显示，约30%的美国青少年曾饮酒，其中约25%存在狂饮行为。青少年饮酒与神经发育损害及日后酒精使用障碍（Alcohol Use Disorder, AUD）风险升高相关，但既往研究存在以下问题：多依赖昂贵的神经影像数据，难以大规模应用；研究对象多为成人；年龄和物质使用等混杂因素控制不足；类别不平衡问题处理效果有限。

为克服上述局限，研究人员利用了国家酒精与神经发育青少年联盟（National Consortium on Alcohol and Neurodevelopment in Adolescence, NCANDA）的基线数据，共包含801名12–21岁青少年，其中非饮酒者661人、饮酒者140人，提出了FocalTab框架。该框架整合了表格先验数据拟合网络（Tabular Prior-Data Fitted Network, TabPFN）与焦点损失（focal loss），并在预处理阶段通过残差化回归去除年龄效应、排除物质使用相关变量，从而避免偏倚。关键技术方法包括：变量筛选（去除常数、缺失率>50%及直接涉及物质使用的变量，保留167个行为、生物学和环境变量）；缺失值用中位数填补；对年龄相关变量进行线性或逻辑回归残差化处理；再以TabPFN为基干模型，用焦点损失替换标准交叉熵损失，通过网格搜索和RAdam优化器微调；采用5次5折交叉验证评估，并与逻辑回归、随机森林、多层感知器（Multilayer Perceptron, MLP）及无焦点损失的TabPFN等基线模型比较；模型解释采用SHapley加性解释（SHAP）分析。

研究结果部分如下。

**人口统计学分析**：饮酒者年龄显著大于非饮酒者（18.55±1.98岁 vs 15.65±2.31岁，p<0.001）；性别和种族构成在两组间无显著差异。

**不同模型的分类性能比较**：在最严格的变量设置（排除年龄和物质使用变量，w/o Age w/o Substances）下，FocalTab取得了最高准确度（0.841±0.011）、F1分数（F₁-score，0.848±0.011）、特异度（0.803±0.055）和AUC（0.897±0.012）。其他模型的特异度在相同条件下显著下降，而FocalTab仍能维持稳健性能。

**模型比较**：在原始不平衡数据集、w/o Age w/o Substances设置下，FocalTab的敏感度为0.867±0.039，综合表现优于逻辑回归、随机森林、MLP、MLP-Focal和无焦点损失的TabPFN，表明其能在严格控制混杂后平衡识别两类人群。

**物质使用与年龄偏倚**：四种变量设置（含年龄和物质使用、仅含年龄、仅含物质使用、均不含）的性能排序为w/ Age w/ Substances > w/ Age w/o Substances > w/o Age w/ Substances > w/o Age w/o Substances。去除年龄和物质使用偏倚后，其他模型特异度大幅下滑，例如随机森林从0.768±0.150降至0.512±0.312，逻辑回归从0.717±0.048降至0.539±0.213，而FocalTab仍保持0.803±0.055的特异度。年龄偏倚的影响大于物质使用偏倚，这与青少年饮酒随年龄增长而升高的已知趋势一致。

**类别不平衡**：在原始不平衡数据（约5:1）下，FocalTab的特异度（0.803）远高于SMOTE过采样或随机欠采样下最佳模型的0.647，也高于SMOTE处理后的TabPFN（0.520）。焦点损失通过动态降低易分类样本的权重，有效缓解了多数类偏差。

**基于SHAP的模型解释**：SHAP重要性排序显示，最有判别力的变量集中在三大领域：酒精期望（如社交行为改变、性增强、认知和运动能力改善）、精神症状（惊恐、强迫症和创伤后应激障碍）以及生活方式特征（睡眠时间表、交朋友、夜间去处和花钱方式）。

讨论部分指出，FocalTab的成功得益于TabPFN的贝叶斯近似能力与焦点损失的困难样本聚焦机制。与SMOTE相比，焦点损失不生成合成样本，从而避免了分布扭曲和噪声放大。年龄偏倚的强烈影响提示，未来研究需将发育因素作为核心协变量。SHAP识别出的三个领域具有理论一致性，为青少年饮酒筛查和干预提供了可操作的靶点。本研究也存在局限：样本量有限、未进行独立外部验证、年龄调整假设为线性效应。未来计划在更大独立队列中验证该框架，并采用非线性或非参数残差化方法，同时开展纵向分析以预测后续随访中的饮酒状态。

研究结论：该研究证实，在系统控制年龄和物质使用混杂、并采用焦点损失处理类别不平衡的前提下，仅使用临床变量即可实现高准确度、高特异度的青少年饮酒分类。FocalTab框架为大规模筛查和早期干预提供了实用、可扩展的工具，并识别出酒精期望、心理健康症状和生活方式等具有临床意义的关键预测因子。