《Scientific Reports》：The most important features in generalized additive models might be groups of features
编辑推荐：
在可解释机器学习中，特征重要性分析至关重要，但传统方法常忽略相关特征组的联合信号，可能导致关键洞察缺失。本文针对广义可加模型，提出了一种高效、无需模型重训练、可定义事后与重叠特征组的重要性量化新方法。该研究通过合成实验验证了方法特性，并在多模态神经科学和健康医疗数据集中应用，证实了分析特征组重要性可提供比单特征分析更准确、全面的医学问题视图，对于含自然特征分组的数据集（如多模态数据集）尤为重要。
在机器学习模型日益复杂、应用日益广泛的今天，我们不仅希望模型能做出预测，更渴望理解它为何做出这样的决策。这就是可解释机器学习（Interpretable Machine Learning）领域蓬勃发展的核心驱动力。其中，特征重要性（Feature Importance）分析已成为揭示模型决策依据的“标准动作”，帮助我们从房价预测到疾病诊断的各个场景中，看清是哪些因素在“暗中发力”。然而，在这股追求透明度的浪潮中，一个潜在的盲点可能正被我们忽视：当我们专注于评估单个特征的贡献时，那些由多个相关特征协同产生的、更为强大的“联合信号”是否被无意中排除或低估了呢？
现实世界的数据往往不是孤立的数字。想象一下，在医学诊断中，决定病情的可能不是某一项孤立的化验指标，而是反映同一生理系统的多项检查结果的组合模式；在社会健康研究中，影响一个人术后恢复的也可能不是单个社会经济因素，而是一系列相互关联的“健康社会决定因素”的整体状况。这种特征的自然集群现象，在多模态数据集（Multimodal Datasets）中尤为常见，例如同时包含脑成像、基因表达和临床问卷数据的神经科学研究。传统“逐个击破”的特征重要性分析方法，在面对这类具有内在分组结构的数据时，可能会“只见树木，不见森林”，错失揭示复杂现象背后整体驱动力的关键机会。这引发了一个重要的研究问题：我们能否发展出一种方法，专门用于量化一个“特征组”对模型的整体重要性，并且这种方法要足够灵活、高效，能适应现代数据分析的需求？
为了回答这个问题，一项聚焦于广义可加模型（Generalized Additive Models, GAMs）的研究应运而生。研究人员致力于开发一种新颖的组特征重要性量化方法。他们设定的目标颇具挑战性：这个方法必须高效，不能因为评估组重要性而要求代价高昂的模型重新训练；它需要具备“事后”灵活性，允许数据分析者在模型构建之后，再根据新的见解去定义和检验不同的特征分组；它应能处理现实世界中常见的特征重叠情况，即同一个特征可以同时属于多个不同的功能组；而且，即便在特征数量众多的高维数据场景下，其评估结果也需保持统计上的意义。最终，这项研究成功地提出了一种满足所有这些要求的创新方法。
研究人员首先通过精心设计的三个合成实验，系统展示了其方法在不同数据状况下的行为特性，验证了其核心性质。随后，他们将该方法应用于两个具有重大现实意义的案例研究，以证明其价值。第一个案例聚焦于利用多模态神经科学数据识别抑郁症状。分析发现，当考虑特征组（例如，代表特定脑网络或认知维度的指标组合）的重要性时，能够提供比孤立分析每个特征更准确、更全面的病理洞察。第二个案例研究了全髋关节置换术（Total Hip Arthroplasty）后患者的康复情况，重点探讨了各种健康社会决定因素（Social Determinants of Health）所构成的特征组的重要性。研究揭示，从“特征组”的层面进行分析，能够提供对医疗问题更精准、更整体的视角，凸显了社会与环境因素作为一个整体对健康结果的深远影响，这是传统的单特征分析难以充分捕捉的。这项研究成果已发表在《Scientific Reports》期刊上。
为了开展这项研究，作者主要依赖了几项关键的技术方法。核心是提出了面向广义可加模型（GAMs）的组特征重要性量化框架，该方法本身不需要额外的模型训练。研究通过三个可控的合成数据实验来验证方法的基本性质。在应用部分，研究利用了来自多模态神经科学数据集（包含脑影像、行为学等多类特征）的临床数据，以及涉及全髋关节置换术患者术后结果与健康社会决定因素的医疗数据集。分析过程均基于已训练好的GAM模型进行事后（posthoc）的组重要性计算与比较。
研究结果
合成实验验证方法特性：通过三个针对不同数据机制的合成实验，系统展示了所提出的组重要性方法在各种情境下的行为。这些实验证实了该方法能够有效捕捉特征组的联合效应，其量化结果在不同数据分布和特征相关性结构下均表现出合理的特性，为方法在实际应用中的可靠性奠定了基础。
多模态神经科学数据揭示抑郁症状的组特征信号：在应用于识别抑郁症状的多模态数据集时，研究发现许多重要的预测信号并非存在于单个特征中，而是蕴含在特征组的组合效应里。例如，某些脑功能连接模式或认知测试指标的组合，其联合重要性显著高于其中任何单一指标的重要性。这表明，从特征组层面进行分析，能更深刻地揭示抑郁症的多维度病理生理学基础，提供比传统单特征分析更全面、更准确的诊断线索。
健康社会决定因素组影响全髋关节置换术预后：在研究全髋关节置换术后的健康结局时，分析聚焦于由各种健康社会决定因素（如社会经济地位、教育水平、社会支持等）构成的特征组。结果表明，将这些社会因素作为一个整体组来评估其重要性，能够更清晰地展现它们对患者术后功能恢复、疼痛缓解和生活质量的系统性影响。这种组层面的分析强调，应对健康差距需要综合性的社会干预策略，而非仅仅针对孤立的因素。
研究结论与讨论
本研究成功开发并验证了一种针对广义可加模型（GAMs）的、高效且灵活的特征组重要性量化方法。该方法的核心优势在于无需重新训练模型即可进行计算，允许进行事后和重叠的特征分组分析，并且在处理高维数据时依然有效。理论分析与合成实验表明，该方法能稳健地估计特征组的联合贡献。
研究的核心结论是：在许多现实场景，尤其是存在自然特征分组（如多模态数据）的情况下，最具预测力的信息往往不是来自孤立的特征，而是来自特征组的组合效应。忽略这种联合信号可能导致模型解释出现偏差或遗漏关键洞察。通过将所提方法应用于抑郁症状识别和全髋关节置换术后康复研究两个案例，研究强有力地证实了这一点。在抑郁症状分析中，特征组重要性分析揭示了跨模态指标的协同作用；在医疗预后研究中，它凸显了健康社会决定因素作为一个整体对患者结果的重要影响。
这项工作的意义深远。在方法论上，它为可解释机器学习领域提供了重要的新工具，推动特征重要性分析从“单特征视角”迈向“组特征视角”，增强了模型解释的深度和广度。在应用层面，特别是在医学和公共卫生领域，该方法鼓励研究者和实践者以更集成、更系统的视角看待影响因素，有助于发现更为复杂的疾病生物标志物模式，或制定更具整合性的公共卫生干预措施，最终为实现更精准的医学和更公平的健康结局提供了有力的分析手段。
