1. 赛题回顾与核心挑战解析
2023年的中国研究生数学建模竞赛E题，题目是“出血性脑卒中临床智能诊疗建模”。这个题目一出来，当时就在我们参赛圈子里引起了不小的讨论。它不像一些纯理论推导或者物理模型题，而是直接扎进了医疗健康这个交叉领域，要求我们用数学模型去解决一个真实的临床问题。简单来说，就是给你一堆真实的脑卒中患者数据，让你去预测他们发病后90天内的预后情况，并且还要对临床干预措施的效果进行评估。这听起来就很有挑战性，也很有价值。
为什么说它挑战大？首先，数据是真实的临床数据，这意味着它充满了“噪音”：缺失值、异常值、非结构化文本记录（比如医生的病程记录）、以及各种不同尺度和类型的指标（从影像学参数到实验室血常规）。其次，问题本身是典型的“小样本、高维度”问题。患者数量有限，但每个患者的特征维度可能非常高（上百个临床和影像特征）。最后，评价指标不是简单的准确率，而是涉及生存分析、因果推断等更复杂的统计和机器学习概念。你需要构建的不仅仅是一个分类器，更是一个能够辅助临床决策的智能模型。这要求参赛者不仅要懂算法，还要对医学背景有一定的理解，能够将临床问题转化为数学语言。
2. 数据预处理：从混乱到规整的关键一跃
拿到数据后，第一感觉肯定是头大。临床数据表格往往有几十甚至上百列，包括人口统计学信息（年龄、性别）、入院时的生命体征（血压、心率）、实验室检查结果（血常规、凝血功能）、影像学报告（血肿体积、位置评分），以及最重要的结局指标——改良Rankin量表（mRS）评分。mRS评分是衡量脑卒中后神经功能缺损程度的核心指标，0分代表完全没有症状，6分代表死亡。我们的目标就是预测患者发病后90天时的mRS评分等级。
2.1 缺失值处理：没有“一招鲜”
面对大量的缺失值，直接删除含有缺失值的样本是下策，因为这会损失本就宝贵的数据。我们必须根据缺失机制和特征的重要性进行差异化处理。
连续型变量：对于像“血肿体积”、“白细胞计数”这类连续特征，如果缺失率较低（比如<10%），通常采用中位数填充。为什么是中位数而不是均值？因为临床数据中异常值很常见，一个极端高的血肿体积会大幅拉高均值，中位数则更稳健。如果该特征与另一个强相关特征存在明显关系（例如，“血肿体积”与“中线移位距离”高度相关），则可以采用K近邻（KNN）填充或回归填充，利用其他样本的信息进行更合理的估算。
分类变量：对于“是否使用抗血小板药”、“卒中病史”这类分类特征，最常见的填充方法是众数填充（即用该列出现次数最多的类别填充）。更精细的做法是，可以构建一个简单的分类模型（如决策树），利用其他无缺失的特征来预测这个缺失的分类值。
高缺失率特征：对于缺失率超过30%-40%的特征，我们需要谨慎评估其保留价值。如果该特征理论上非常重要（如某个关键的影像学评分），但缺失太多，一种策略是将其转化为一个二值特征，例如“该影像学评分是否可用”，这本身可能就是一个有预测能力的信号（因为能完成该项检查的患者，其整体状况可能不同）。
注意：所有填充操作必须在划分训练集和测试集之后，分别基于训练集的信息对训练集和测试集进行填充。绝对不能用全数据集的信息去填充测试集，这会造成数据泄露，严重高估模型性能。
2.2 特征工程：挖掘数据背后的医学逻辑
原始特征只是原料，特征工程才是厨师的手艺。这里需要结合医学先验知识。
衍生特征构造：
- 生理指标比值：例如，“中性粒细胞计数/淋巴细胞计数（NLR）”已被多项研究证实与炎症反应和预后相关，其预测价值可能高于单独的两个计数。
- 时间窗特征：从发病到入院的时间、从入院到手术的时间，这些时间间隔本身可能就是强烈的预后因子。
- 复合评分：根据临床指南，我们可以手动构造一些复合评分，例如，结合年龄、血压、临床体征的简易卒中量表。即使最终模型可能学习到更复杂的组合，提供一个强先验的基线特征也有助于模型收敛。
特征编码：
- 有序分类变量（如mRS分级本身、某些严重程度评分）适合使用标签编码或甚至保留其原始数值顺序。
- 无序分类变量（如血肿位置：基底节区、丘脑、脑叶等）必须使用独热编码，避免给模型引入错误的顺序假设。
特征缩放：由于后续很可能用到基于距离的模型（如SVM）或使用梯度下降的模型（如神经网络），必须对连续特征进行标准化（StandardScaler）或归一化（MinMaxScaler）。树模型（如随机森林、XGBoost）对尺度不敏感，但统一进行缩放也是一个好习惯。
3. 预测模型构建：多策略并行与模型融合
预后预测本质上是一个多分类（预测mRS 0-6分）或有序回归问题。由于样本量有限，我们采用了“分而治之”和“模型集成”的策略。
3.1 问题拆解：二分类与回归的混合思路
直接进行7分类预测难度大，且各类别样本可能不均衡。我们将其拆解为几个逻辑上更简单的子问题：
- 二分类任务：预测预后良好（mRS 0-2） vs 预后不良（mRS 3-6）。这是临床决策中最关键的二分点，因为通常mRS≤2被认为功能独立。
- 有序回归任务：将mRS的7个等级视为有序变量，使用序数回归模型（如Proportional Odds Model）或定制损失函数（如将分类损失改为考虑顺序关系的损失）的机器学习模型。
- 生存分析任务：将问题转化为时间-事件分析，预测达到某个不良结局（如mRS>3）的风险函数。这可以利用Cox比例风险模型或基于树的生存模型（如Random Survival Forests）。
我们团队当时是并行训练了针对子问题1的XGBoost分类器、针对子问题2的LightGBM（使用序数损失）以及一个Cox模型。最后发现，单纯分类模型在区分“良好/不良”上表现最佳，但有序回归模型能提供更细致的风险分层。
3.2 模型选型与超参数调优
在有限数据和时间内，树模型及其集成方法通常是首选。
XGBoost/LightGBM：这类梯度提升树模型能自动处理特征交互和非线性关系，对缺失值不敏感，且训练速度快。关键超参数包括：
learning_rate(eta)：学习率，控制每棵树的贡献，通常设置较小值（如0.01-0.1），配合更多的树（n_estimators）。max_depth：树的最大深度，控制模型复杂度。小样本下不宜过深，通常从3-6开始尝试，防止过拟合。subsample,colsample_bytree：行采样和列采样比例，这是提升模型泛化能力、防止过拟合的利器，类似于随机森林的思想。scale_pos_weight：如果正负样本（如预后不良 vs 良好）极度不平衡，调节此参数非常重要。
随机森林：作为稳健的基线模型。它的优势在于训练速度快，且通过袋外误差（OOB error）可以无需交叉验证就获得对泛化误差的估计。
神经网络：对于包含非结构化文本（如影像报告文本）的数据，可以尝试结合CNN或RNN。但对于纯结构化表格数据，在小样本下，神经网络往往不如精心调优的树模型，且训练和调参成本更高。
调优实战：我们使用了贝叶斯优化（Bayesian Optimization）来搜索XGBoost的超参数空间。与网格搜索（Grid Search）相比，贝叶斯优化能基于历史评估结果智能地选择下一组参数，在有限的迭代次数内找到更优解，效率高出很多。工具上，hyperopt或optuna库都是不错的选择。
3.3 模型融合：从多个角度寻求共识
单一模型可能有其偏好或盲点。我们采用了两种融合策略：
- 加权平均/投票：对于分类任务，将XGBoost、LightGBM和随机森林的预测概率进行加权平均，以加权后的概率作为最终预测。权重可以根据各个模型在验证集上的表现（如AUC分数）来分配。
- 堆叠（Stacking）：将上述几个模型（作为基学习器）在训练集上通过交叉验证产生的预测概率（元特征），与原始特征的一部分拼接，训练一个元学习器（通常是用逻辑回归或简单的线性模型）。元学习器的任务是学习如何最好地组合基学习器的预测。这种方法理论上更强，但需要更谨慎地设计交叉验证策略以防止数据泄露。
我们的经验是，在本题数据规模下，简单的加权平均已经能带来稳定且可观的性能提升（验证集AUC提升约0.02-0.03），而堆叠带来的额外收益有限且实现更复杂，需权衡性价比。
4. 临床干预效果评估：当因果推断遇见观察性数据
题目的第二部分要求评估某种临床干预（例如，早期手术 vs 保守治疗）对患者预后的影响。这是典型的因果推断问题，其核心难点在于：患者不是被随机分配接受手术或保守治疗的，医生的决策基于患者的病情（如血肿大小、意识水平）。这就导致了严重的选择偏倚——病情更重的患者更可能被推荐手术，如果直接比较两组患者的结局，会发现手术组死亡率可能更高，但这并不是手术的“效果”，而是因为手术组本身病情就更重。
4.1 因果推断的核心方法：倾向性评分匹配
为了解决这个偏倚，我们使用了倾向性评分匹配（Propensity Score Matching, PSM）。其核心思想是，为每个接受干预（手术）的患者，在未接受干预（保守）的患者中，找到一个“双胞胎”，这个双胞胎在接收干预的“倾向性”上几乎相同。这个倾向性，就是基于所有观测到的混杂变量（如年龄、血肿体积、GCS评分等）预测该患者接受干预的概率。
实操步骤：
- 构建倾向性评分模型：使用逻辑回归（或更复杂的模型如GBDT），以是否接受手术为因变量，以所有可能影响治疗分配和预后的基线特征为自变量，训练一个分类模型。模型输出的概率就是每个患者的倾向性评分（PS）。
- 进行匹配：对每个手术组患者，在保守组中寻找PS值最接近的一个或多个患者进行匹配。常用的匹配方法有最近邻匹配（1:1或1:k）、卡钳匹配（设定一个PS差异上限，如0.02）。
- 评估匹配效果：匹配后，必须严格检查手术组和对照组在所有基线特征上是否达到了平衡。通常计算每个特征在两组间的标准化差异（Standardized Mean Difference, SMD）。SMD绝对值小于0.1通常认为匹配效果良好，组间可比。
- 分析匹配后样本：在匹配后的、基线平衡的样本中，再次比较手术组和对照组的预后（如良好预后比例、平均mRS分数）。此时观察到的差异，可以更可信地归因于干预措施的效果。
4.2 匹配后的分析：不止于假设检验
匹配之后，我们得到了一个近似随化的数据集。接下来可以进行效果评估：
- 平均处理效应（ATE）：计算在整个匹配样本中，干预带来的平均效果。
- 亚组分析：可以进一步在匹配后的样本中，按年龄分层（如<60岁 vs ≥60岁）、按血肿体积分层，看看干预效果在不同亚组中是否存在异质性。这可能为“哪些患者更能从手术中获益”提供线索。
- 敏感性分析：这是体现分析严谨性的关键。我们需要讨论，如果存在未观测到的混杂因素（例如，患者的家庭支持程度、医院的手术水平，这些数据中没有），我们的结论是否依然稳健？可以通过Rosenbaum边界敏感性分析等方法进行量化评估。
踩坑实录：我们第一次做PSM时，只匹配了少数几个“觉得重要”的变量，匹配后一检查SMD，发现很多其他变量不平衡。后来才明白，必须将所有可能同时影响“治疗分配”和“结局”的变量都纳入PS模型，否则匹配是无效的。另一个坑是，匹配会损失样本量（特别是保守组的样本），导致分析效能下降。因此，在匹配前进行充分的特征筛选和PS模型调试至关重要。
5. 模型解释与临床可理解性：让“黑箱”输出“白盒”报告
在医疗领域，模型的“可解释性”和“可信度”与预测性能同等重要。医生不可能信任一个只给出预测结果却说不出理由的模型。
5.1 全局解释：什么因素在主导预测？
- 特征重要性：树模型（XGBoost, LightGBM）天然可以提供基于分裂增益（Gain）、覆盖度（Cover）或频率（Frequency）的特征重要性排序。这能告诉我们，从整个模型的角度看，哪些特征贡献最大。通常会发现，“入院时GCS评分”、“血肿体积”、“年龄”位列前茅，这与临床认知是一致的。
- SHAP（SHapley Additive exPlanations）值：这是目前最强大的模型解释框架之一。SHAP值基于博弈论，为每个样本的每个特征分配一个贡献值，表示该特征将该样本的预测值从基线（所有样本的平均预测）推向最终预测值了多少。
- 摘要图：可以画出所有样本的SHAP值散点图，一眼看出特征影响力（纵轴）及其与预测值的关系（横轴颜色，代表特征值高低）。例如，你可能看到“血肿体积”点云向右上倾斜，表示血肿体积越大，其SHAP值越高（正向贡献），对预测不良预后的贡献越大。
- 依赖图：展示单个特征值与SHAP值之间的非线性关系。它能清晰揭示，是不是特征值超过某个阈值后，其风险会急剧上升？这比简单的线性关系更有临床洞察力。
5.2 局部解释：为什么这个患者被预测为高风险？
对于单个高风险患者，我们可以使用：
- SHAP力力图：它像一份诊断报告，清晰列出推动该患者预测值走向“不良预后”的最主要正向特征（如：高年龄 +2.1分，大血肿体积 +1.8分），以及一些减轻风险的负向特征（如：入院时间早 -0.5分）。这种解释直观易懂，可以直接转化为临床语言。
- LIME（Local Interpretable Model-agnostic Explanations）：在待解释样本附近扰动生成新样本，用一个简单的可解释模型（如线性回归）去拟合复杂模型在这个局部区域的行为。LIME能给出一个简单的特征权重列表，解释该样本的预测。
在论文中，我们不仅展示了全局特征重要性，还挑选了几个典型病例（一个预测正确的高风险病例，一个预测正确的低风险病例，一个模型预测错误的病例），详细展示了它们的SHAP力力图，并尝试从临床角度分析模型判断的依据和可能出错的原因。这种“案例式”的解释，极大地增强了论文的说服力和模型的可信度。
6. 完整建模流程复盘与避坑指南
回顾整个解题过程，一个清晰、可复现的流程是成功的基础。以下是我们总结的标准化Pipeline，以及其中容易踩坑的地方。
6.1 标准化建模Pipeline
- 数据探索与理解：不要一上来就跑模型。花时间做描述性统计、可视化分布、查看缺失模式、计算特征间的相关性。这对后续的特征工程和模型选择有指导意义。
- 数据预处理与特征工程：按前文所述处理缺失值、异常值，进行特征编码、缩放，并基于医学知识构造衍生特征。务必在此步骤之前划分好训练集和测试集（或进行交叉验证的划分），所有预处理参数都应仅从训练集中学习并应用于测试集。
- 基线模型建立：先跑一个简单的模型（如逻辑回归、随机森林）作为基线，了解问题的预测难度和特征的大致效力。
- 高级模型训练与调优：使用交叉验证在训练集上对XGBoost/LightGBM等模型进行超参数调优。监控训练集和验证集的表现，严防过拟合。
- 模型集成与测试：在验证集上确定最终模型或模型融合策略后，仅在最终的一次，在独立的测试集上评估性能，得到最终报告的性能指标。
- 因果推断分析：如果涉及，严格遵循PSM的步骤：构建PS模型 -> 匹配 -> 平衡性检验 -> 效果评估 -> 敏感性分析。
- 模型解释与报告：使用SHAP等工具对最终模型进行解释，并将结果以临床医生能理解的方式呈现。
6.2 常见“坑点”与应对策略
- 数据泄露：这是最大的坑，没有之一。除了前述的预处理泄露，还有一种隐蔽的泄露：使用未来信息。例如，患者的“住院期间并发症”这个特征，是在入院后发生的，不能用来预测入院时的预后。在特征选择时，必须时刻以“医生在做出预测的那个时间点能获得什么信息”为准则。
- 类别不平衡：预后良好和不良的患者数量可能相差很大。除了在模型参数中设置
scale_pos_weight，还可以采用过采样（如SMOTE）或欠采样技术。但要注意，SMOTE生成的是人工样本，可能会引入噪声。更好的做法是使用分层抽样来划分训练/验证集，确保每折中类别比例一致，并使用AUC-PR（精确率-召回率曲线下面积）这种对不平衡数据更敏感的指标辅助评估。 - 过度追求复杂模型：在有限数据和时间内，复杂的深度学习模型往往不是最佳选择。它们需要大量数据、精细调参和计算资源，且结果可能并不比树模型好。先确保简单模型的效果被充分挖掘，再考虑复杂模型。
- 忽略不确定性：任何预测都有不确定性。对于高风险决策（如医疗），提供预测的置信区间或概率比单纯提供一个类别标签更有价值。例如，模型预测某患者预后不良的概率是85%，这比只说“预后不良”包含了更多信息。可以使用贝叶斯方法或模型校准技术来改善概率输出的可靠性。
这次E题的实战，让我深刻体会到，数学建模竞赛不仅仅是比谁的算法高级，更是比谁对问题的理解更深刻、谁的流程更严谨、谁的工程实现更稳健。从数据清洗的耐心，到特征工程的巧思，从模型调优的执着，到因果推断的严谨，最后再到模型解释的沟通，每一个环节都考验着团队的综合能力。把这样一个复杂的临床问题，通过数学和代码一步步拆解、分析、验证，最终形成一份有洞察力的报告，这个过程本身带来的成就感，远比获奖本身更加持久。
