机器学习和临床预测模型公开课全文及回放

周五公开课文字内容以及录屏回放。

视频已上传到b站，我的b站账号：阿越就是我

本文目录：

• 从医学统计到机器学习
• 机器学习在临床中的应用
• 机器学习和临床预测模型有什么关系？
• 当我们谈论临床预测模型时，我们在谈些什么？
• 机器学习与临床预测模型需要哪些知识
  • 统计学知识
  • 机器学习基础
  • 统计软件和编程
  • 附:如果你要学习生信数据挖掘
• 临床预测模型常见发文类型
  • 比较简单的
  • 更加典型的案例
  • 机器学习方法的使用
• 临床预测模型和生信数据挖掘结合
  • 生信数据挖掘，到底在挖什么？
  • 比较简单的
  • 复杂的
• 总结

从医学统计到机器学习

机器学习离医学生/医生很遥远吗？

并不是，其实大家都学过。

医学统计学是一门运用统计学的原理和方法，研究医学科研中有关数据的收集、整理和分析的应用科学。--孙振球，徐勇勇《医学统计学》第4版

机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。--百度百科

结合我们的医学背景讲，机器学习是能够帮我们决策的工具。机器学习中的部分内容我们并不陌生。

医学统计学中都学过多元线性回归、logistic回归、判别分析、聚类分析等，这些都是机器学习的范畴，都属于机器学习的方法。只不过是所处的情境不同，就像一个人可以有多种身份。

在logistic回归中，我们通过多个自变量建立logistic回归方程，由此来判断因变量的状态，比如患病/不患病，肿瘤/非肿瘤，死亡/生存等；在多元线性回归中，我们可以通过多个自变量预测患者的血糖水平。

这些问题在医学统计学中，我们的目的是探寻自变量和因变量的关系，在机器学习中也是一样的用法，不过此时的目的更偏向于预测结果。除此之外，机器学习面向的主要是大样本量的数据，而医学统计学在使用这些方法时，通常是样本量不大的。

除了我们学习过的多元线性回归、logistic回归等，还有一些医学统计学中没有讲到的内容，比如大家经常见到的：随机森林，lasso/ridge/elastic net，支持向量机，knn等，都属于机器学习的内容，都是类似的用法，用多个自变量预测一个因变量。

机器学习在临床中的应用

机器学习在很多领域应用广泛，在医学领域，大家经常接触的主要是以下几个方面：

• 影像组学
• 生信数据挖掘
• 临床预测模型
• ......

这里面我认为最简单的就是临床预测模型。

另外两个需要额外学习的背景知识太多，对于医学生/医生，尤其是临床医学、中医学等，不亚于从0开始学习一门技能。

今天我们简单介绍下机器学习和临床预测模型的应用。

机器学习和临床预测模型有什么关系？

首先大家要明确，临床预测模型是什么？

临床预测模型的本质是一种分类方法。通过这种方法，你可以对很多东西进行分类，比如，生和死、有病和没病、肿瘤和非肿瘤、复发和不复发等等。 再直白一点，临床预测模型是一个公式，根据这个公式，你提供一些基本信息，比如年龄、性别、体重、血红蛋白量等（或者某个基因的表达量等），就可以计算出这个人到底是有病还是没病！--《简单易懂：什么是临床预测模型》

你看这个过程是不是和我们上面建立多元线性回归、logistic回归的过程一模一样？也是多个自变量和一个因变量的故事。

所以，临床预测模型的各种实现，都是通过机器学习的方法完成的（你非说是通过统计学的方法也可以，因为二者本来就没有清晰的界限）。这其中比较简单的也是比较常见的是logistic回归、cox回归这些，其他方法，如随机森林、SVM、各种提升算法等，也都逐渐开始使用。

除此之外，大家常见的各种重抽样方法，比如bootstrap、cross validation、holdout(train/test split)等，都是机器学习中常见的基本内容。

各种对变量的处理，比如：中心化、标准化、缺失值插补、样条回归、boxcox、向前/向后/逐步选择、最优子集，等，也都是机器学习的基础内容。

唯一不同且是最重要的一点：临床预测模型更加注重结合临床背景进行解释。

不同于机器学习中变量重要性(随机森林)这种解释，我们更喜欢OR/HR/RR这种解释，自变量每增加一个单位，因变量的危险增加多少、大于60岁的人相比于小于60岁的人，患某病的风险增加多少。

临床预测模型必须不能脱离临床，单纯的数字游戏没有任何意义。

很多讲临床预测模型的课程，涉及的机器学习基本方法太少，指南里的东西大家都知道，满足不了大家发文章的需求。

当我们谈论临床预测模型时，我们在谈些什么？

这个答案大家应该都很感兴趣：文章！SCI！

临床预测模型本质上应该是为医务人员提供新的诊疗工具、决策工具，开发更为快捷、简便、性价比高的量化工具。比较熟悉并且十分成功的案例：肿瘤的TNM分期。

但是目前来看，主要作用是为大家提供新的发文方式！

绝大多数临床预测模型类文章都没有实用价值。

机器学习与临床预测模型需要哪些知识

统计学知识

这块知识对于大家应该不陌生，很好上手。

医学统计学，特别是多元线性回归、logistic回归、Cox回归，需要重点掌握。

除此之外，需要学习一些课本上没有的、但是文献中经常见的统计学方法和指标。

灵活使用，举一反三，不能还停留在t检验、方差分析的阶段，需重点掌握结果的解释。

机器学习基础

这部分内容需要重新学习，但是不需要掌握复杂的原理，数学公式推导等，需要学会：

• 常见的数据预处理方法：Garbage In, Garbage Out
  • 中心化、标准化、零方差/近零方差、共线性、分箱、样条变换、等
  • 对数值型变量的处理
  • 对分类变量的处理：哑变量/独热编码等
  • 对因变量的处理：类不平衡
  • 缺失值处理：删除、插补
• 特征工程：特征选择
• 超参数调优

存在的问题：处理后不管是单位还是尺度都已变化，怎么解释？

除此之外，还需学习常见的机器学习算法：

• 线性回归
• logistic回归
• lasso/ridge/elastic net
• 决策树
• 集成算法：随机森林、梯度提升树等
• KNN
• SVM
• 和生存分析相关的机器学习算法：正则化Cox、随机生存森林、survival SVM、Coxboost等
• 聚类分析、主成分分分析、因子分析
• ......

对于以上算法，只需学会使用即可，知道哪些算法可以用于什么样的数据、需要哪些数据预处理，结果如何解读等。

统计软件和编程

• SPSS，简单方便
• R语言，必学！
  • 我是医学生，R和python我应该学哪一个？
• python，影像组学建议学
• Linux，生信数据挖掘建议学

附:如果你要学习生信数据挖掘

下游分析需要掌握的基础知识：

以上所有，外加：

什么是芯片，常用的芯片平台有哪些？什么是GEO？表达矩阵，探针id转换？

什么是一代测序，二代测序，三代测序？什么是counts，tpm, fpkm？什么是TCGA？TCGA包含哪些数据？什么是编码基因？mRNA, lncRNA, miRNA, circRNA等？生信常见的各种数据库id, hgnc gene symbol, entrez id, ensembl id等？中心法则？表观遗传涉及哪些内容？什么是甲基化？单核苷酸多态性SNP, 拷贝数变异CVN？

什么是gtf, gff, 参考基因组，基因组注释文件？常见的生信数据存放格式?fastp, fastq, bam, sam,

氨基酸缩写？人类染色体命名规则？

常见的生信下游分析方法？差异分析，生存分析，富集分析，WGCNA，免疫相关分析，治疗相关分析等，在不同数据类型（转录组、甲基化等）中？

...

上游分析需要的知识也很多。

我的主要学习阵地：哔哩哔哩！解决你80%的问题

临床预测模型常见发文类型

临床预测模型类文章主要内容是3个部分：

1. 模型的建立-各种算法，logistic、决策树等等
2. 模型的评价-各种指标和图表，ROC、C-index、校准曲线、决策曲线等等
3. 模型的解释：临床预测模型必须不能脱离临床，单纯的数字游戏没有任何意义。

比较简单的

算法不复杂，步骤也不复杂。只需要logistic回归、Cox回归、Lasso即可。

• 诺莫图预测 转移性去势抵抗性前列腺癌经过 Lu177-PSMA 治疗后 的预后
  • 收集一些病人，监测一些指标，建立cox回归，评价模型，解释模型。

更加典型的案例

训练集+测试集，各来一遍，各种图、指标都用上：nomogram、ROC曲线、校准曲线、决策曲线、K-M生存曲线、C-index等。

• 临床预测模型评估COVID-19患者的风险
  • 收集一些病人，监测一些指标，建立模型，评价模型，解释模型

机器学习方法的使用

随机森林、决策树

• 老年人跌倒损伤的预测模型
  • 收集一些病人，监测一些指标，建立随机森林模型，评价模型，解释模型

Cross Validated Elastic regularized logistic regression method (cv-Enet), boosting linear regression (glmboost), random forest, and an ensemble model

• 胃切除术后90天死亡率的风险预测模型
  • 收集一些病人，监测一些指标，建立多种模型，评价模型，解释模型

随机生存森林

• 预测肝癌术后早期复发，的机器学习模型
  • 随机森林

临床预测模型和生信数据挖掘结合

也可以认为是机器学习和生信挖掘领域的结合，基本思路和常规的临床预测模型差不多，比上面介绍的临床预测模型内容更多，主要是两个方面：

• 变量的选择
• 指标的评价

有了生信的加持，可以玩出更多花样！扩展性极大提高！工作量也成倍增加，通常此类文章机器学习只是其中一部分内容。

生信数据挖掘，到底在挖什么？

本质是通过各种方法得到一小撮分子，再通过各种方法证明这些分子很重要！

寻找分子的过程通常也属于变量选择的过程，因为高通量最不缺的就是变量！这些分子通常是mRNA/lncRNA/miRNA等。

一些常见的方法：

• 差异分析
• 生存分析
• WGCNA
• 免疫浸润
• hub gene
• 多种方法取交集等
• ......

然后建立模型，这部分内容和临床预测模型差不多，也是建立各种机器学习算法：

• lasso
• cox
• logistic
• 随机森林/随机生存森林
• 决策树
• SVM
• KNN
• 神经网络
• ......

评价模型，和临床预测模型相似的内容：

• 列线图
• 校准曲线
• 决策曲线
• ROC曲线
• 生存曲线
• C-index/AUC
• ......

除此之外，还有一些生信数据挖掘特有的部分：必须和治疗/预后扯上关系

• 和免疫浸润结合
• 和富集分析结合
• 和免疫治疗结合
• 和其他signature/模型/指标比较
• 各种分子分型
• ......

生信数据挖掘文章还有一个特点：紧跟热点

铁死亡、铜死亡、细胞凋亡、内质网应激、肿瘤干性、缺氧、m6A、上皮-间质转化、凝血、血管生成、......

理论上你去GO或者KEGG的官网，所有的分子集合都可以挖一遍；所有病理生理过程涉及的分子也都可以挖一遍（离子通道）。

生信数据挖掘典型花里胡哨图：

比较简单的

最早期的临床预测模型和生信数据挖掘结合的思路：

• gene signature、基因家族等
  • 通过各种方法找几个基因构建模型（早期，硬筛）

2022年了，这种远古套路依然可以发！因为他加了实验......

• 铁死亡相关的gene signature（某个病理生理过程相关的分子）

思路不新，也没有实验，但是疾病没人挖掘：儿童败血性休克，机器学习只占一小部分内容，主要是寻找分子以及说明重要性：

复杂的

超级复杂的工作量、泛癌、单细胞、实验验证

• 细胞衰老和肿瘤微环境：机器学习内容是其中一小部分，但是不可或缺。

image-20221210192226653

恐怖的工作量：单是机器学习部分就有10种机器学习算法的101种组合！以及和其他已发表的模型进行比较！

总结

• 常用的方法就那么几个，只要认真学习，都能学会！
• 对一些细节的处理、结果的解释、好的思路和想法更加重要！用工具解决一个问题是最简单的层面
• 医学中的机器学习更加强调结合医学背景的解释，并不单单是得到更好的模型表现即可，得到模型后结合背景知识进行更加深入的谈论是必不可少的内容，也是和传统机器学习领域最大的不同之处。

感谢大家，祝大家百发百中！