[论文解读] Using Kernel Methods and Model Selection for Prediction of Preterm Birth

Ilia Vovsha, Ansaf Salleb-Aouissi+9 more|arXiv (Cornell University)|Jul 27, 2016

Preterm Birth and Chorioamnionitis参考文献 25被引用 14

一句话总结

本研究将核方法与模型选择应用于NICHD早产预测研究的临床数据集，以预测早产。与以往工作相比，该研究在预测效果上实现显著提升——灵敏度提高20%，特异性提高30%，尤其在28周时对自发性早产的预测表现更优，采用的是RBF核的SVM与经模型选择的逻辑回归。

ABSTRACT

We describe an application of machine learning to the problem of predicting preterm birth. We conduct a secondary analysis on a clinical trial dataset collected by the National In- stitute of Child Health and Human Development (NICHD) while focusing our attention on predicting different classes of preterm birth. We compare three approaches for deriving predictive models: a support vector machine (SVM) approach with linear and non-linear kernels, logistic regression with different model selection along with a model based on decision rules prescribed by physician experts for prediction of preterm birth. Our approach highlights the pre-processing methods applied to handle the inherent dynamics, noise and gaps in the data and describe techniques used to handle skewed class distributions. Empirical experiments demonstrate significant improvement in predicting preterm birth compared to past work.

研究动机与目标

• 利用包含异质风险因素的临床数据集，通过机器学习提升早产预测的准确性。
• 应对产前预测中类别分布偏斜及数据噪声大、动态变化等问题。
• 评估多种模型（线性与RBF核SVM、经模型选择的逻辑回归，以及专家制定的决策规则）在不同早产亚型中的表现。
• 聚焦最脆弱人群：首次妊娠女性（初产妇），其缺乏既往妊娠史以供风险评估。
• 在多个孕周时间点（24、26、28周）评估模型性能，以捕捉风险预测中的时序动态。

提出的方法

• 采用支持向量机（SVM）结合线性与径向基函数（RBF）核，以建模多变量风险因素中的非线性关系。
• 应用模型选择技术优化逻辑回归的预测性能，以处理高维、高度相关的预测变量。
• 采用预处理策略管理临床数据集中常见的缺失数据、时间不一致性及类别分布偏斜问题。
• 在三种早产亚型中评估模型表现：任何早产、自发性早产，以及初产妇中的早产。
• 在三个孕周时间点（24、26、28周）进行实验，以评估纵向数据可用性对预测准确性的影响。
• 将学习得到的模型（SVM、逻辑回归）与医生专家制定的规则模型（如Creasy表格）进行比较，以评估其临床相关性。

实验结果

研究问题

• RQ1 与传统逻辑回归相比，SVM结合RBF核等核方法是否能提升在相同临床数据集上的早产预测准确性？
• RQ2 在类别分布偏斜的情况下，逻辑回归中的模型选择如何影响早产预测性能？
• RQ3 在多个孕周时间点（24、26、28周）纳入纵向数据是否能提升早产预测性能？
• RQ4 机器学习模型与专家制定的临床规则（如Creasy表格）相比，在预测自发性早产及初产妇早产方面表现如何？
• RQ5 数据稀疏性与缺失值对模型泛化能力有何影响，特别是在缺乏既往妊娠史的初产妇中？

主要发现

• 在28周时，线性SVM模型对自发性早产的灵敏度达到47%，特异性为57%，相比先前基准（Mercer et al., 1996）分别提升20%和30%。
• 在完整数据集上，RBF核SVM表现略优于线性SVM，表明风险因素之间存在非线性关系，且这些关系对早产具有预测价值。
• 在所有数据类别与时间点上，最佳模型的灵敏度与特异性均约为50%，表明其在各类亚型中均表现出稳健性能。
• 随机森林模型表现较差，可能因过拟合，其多项式SVM在T3时的g-mean值低至0.11 ± 0.10，表明在高维、噪声大的数据中存在不稳定性。
• 机器学习得到的线性模型在灵敏度与特异性方面均优于专家制定的Creasy-7与Creasy-13表格，尤其在初产妇中表现更优。
• 所有SVM运行中支持向量数量较多，表明最优决策边界近似线性，因此更倾向于欠拟合（采用较小的C值），以提升对未见数据的泛化能力。