NIPT 的时点选择与胎儿的异常判定（优秀范文二：多指标联合分类判定）

国赛 2025 C 题 · 优秀范文二。视角：用多指标（染色体 z 值 + 胎儿浓度 + 产妇年龄 + 生化指标）训练分类器做异常判定，对比逻辑回归 / 线性判别 / 高斯朴素贝叶斯 / k 近邻四类模型，重点讲清不平衡数据下的评价指标陷阱与 ROC-AUC / PR-AUC / Youden 工作点的正确用法。正文 / 配图 / 附录 / 真源四路数字一致（固定种子 2026）。

摘要

NIPT 是筛查而非诊断，单看某条染色体的 z 值极易受低浓度与个体差异干扰。本文把五类指标拼成特征向量，从零实现逻辑回归（LR）、线性判别分析（LDA）、高斯朴素贝叶斯（GNB）、k 近邻（kNN）四个分类器，在 5000 例合成练习集上对比。结果表明：多指标联合把判别力从单看 z21 的 AUC=0.770 提升到 LDA 的 AUC=0.9947；但由于非整倍体患病率仅约 2%，准确率极具欺骗性——多数类哑元也有 97.9% 准确率，而 LR 在 Youden 工作点的阳性预测值（PPV）只有 12.9%。真正该看的是 PR-AUC 与代价敏感的工作点选择：LDA 的 PR-AUC 达 0.8373，显著优于忽略特征相关的 GNB（0.4312）。本文据此给出"先排 ROC 选模型、再用 PR 定工作点、最后用贝叶斯后验对外报风险"的落地流程。

一、问题重述

题目要回答两件事：①时点如何影响检测可靠性（见范文一）；②在给定时点下，如何把多条检测指标（染色体 z 值、胎儿浓度、产妇年龄、PAPP-A、β-hCG 等）综合成"胎儿是否异常"的判定。本题聚焦第二件：把 NIPT 的各路指标当作一个多指标分类问题，训练分类器输出"高风险"概率，并用恰当指标评估——因为异常样本极其稀少（患病率约 0.1%–0.3%，本文合成集放大到 2% 以便可视化），准确率会严重虚高，必须改用 ROC-AUC、PR-AUC、精确率-召回等不平衡友好指标。

二、模型假设

每条样本由特征向量 $x=(z_{21},ff,age,PAPP\text{-}A,\beta\text{-}hCG)$ 与标签 $y\in\{0,1\}$ （0 正常 / 1 非整倍体）组成，特征已标准化。
各类指标在患病与正常两群间存在重叠（非完全可分），故模型输出概率而非硬判。
患病率 $P(D)$ 远小于 0.5，评估须以不平衡指标为准；阳性应理解为"高风险"而非"确诊"。
PAPP-A 与 β-hCG 存在人群相关的正相关（同一生理背景），朴素贝叶斯若忽略该相关会损失信息。
合成练习数据仅用于演示方法，真实建模须以官方测序计数与核型金标准为准。

三、符号说明

符号	含义
$x_j$	第 $j$ 个指标（标准化后）
$y$	真标签（1 非整倍体）
$s(x)$	分类器输出的风险分数 / 概率
$\mathrm{AUC}$	ROC 曲线下面积
$\mathrm{PR\text{-}AUC}$	精确率-召回曲线下面积
$\mathrm{Se},\mathrm{Sp}$	灵敏度、特异度
$\mathrm{PPV},\mathrm{NPV}$	阳性 / 阴性预测值
$J$	Youden 指数 $= \mathrm{Se}+\mathrm{Sp}-1$

四、建模过程

4.1 数据与特征

合成 5000 例：患病率 2%（训练 3500 / 测试 1500，测试患病率 2.07%）。非整倍体群的 $z_{21}$ 整体上移、胎儿浓度略降、产妇年龄偏大、PAPP-A 偏低、β-hCG 偏高，且 PAPP-A 与 β-hCG 共享一个潜变量以体现相关（真实生理中二者同受胎盘功能调控）。每个样本特征向量 $x=(z_{21},ff,age,PAPP\text{-}A,\beta\text{-}hCG)$ 标准化到零均值单位方差，避免量纲差异（如 age 是 20–45 的整数、ff 是 5–15 的百分数）干扰距离类与梯度类算法。

图 1 把测试集按"胎儿浓度 ff × z21"散开：蓝色正常点密集成团，红色非整倍体点稀疏散布其边缘——类不平衡（红点极少）与类重叠（边界模糊）同时存在，这正是筛查问题的两个本质困难。注意红点并非聚在某个独立角落，而是嵌在蓝点内部，这意味着任何"一刀切"的规则都会同时产生漏检与误报，模型必须输出概率以支持后续阈值决策。

4.2 四个分类器（从零实现）

为避免黑箱，四个模型全部从零实现，且都输出连续分数 $s(x)$ 以便在统一阈值上画 ROC：

逻辑回归 LR：对标准化特征做梯度下降拟合，输出校准概率 $s=\sigma(w^\top x+b)$ ，其中 $\sigma(u)=1/(1+e^{-u})$ 。损失取交叉熵 $\ell=-\sum_i[y_i\log s_i+(1-y_i)\log(1-s_i)]$ ，梯度 $\nabla_w\ell=\sum_i(s_i-y_i)x_i$ ，用步长 0.1 迭代 200 轮收敛。LR 捕捉的是特征的线性组合，无法利用特征间的非线性交互，但胜在概率输出天然可解释、可校准。
线性判别 LDA：假设两类同协方差，用池化协方差逆 $\Sigma^{-1}$ 做线性判别。判别分数 $s=\log\frac{p(x\mid y=1)}{p(x\mid y=0)}$ 化简后正比于 $(\mu_1-\mu_0)^\top\Sigma^{-1}x$ 加常数项，其中 $\mu_1,\mu_0$ 为两类均值， $\Sigma$ 为两类共享协方差的加权估计。关键差异在于 $\Sigma^{-1}$ 显式编码了 PAPP-A 与 β-hCG 的相关，这正是 LDA 优于 GNB 的数学根源。
高斯朴素贝叶斯 GNB：每特征独立高斯 $p(x_j\mid y)\sim\mathcal N(\mu_{jy},\sigma_{jy}^2)$ ，后验 $P(y\mid x)\propto P(y)\prod_j p(x_j\mid y)$ 。由于假设各特征条件独立，它丢弃了 PAPP-A 与 β-hCG 的共享潜变量结构，作为"忽视相关会怎样"的对照模型。
k 近邻 kNN：k=15，测试样本的分数取邻域内阳性占比，不假设任何分布。kNN 没有显式训练，直接在高维空间度量距离，对特征缩放极敏感，因此必须在标准化后的空间使用。

四个模型在 3500 例训练集上拟合、1500 例测试集上评估。LDA 与 GNB 的解有闭式形式，LR 用梯度下降，kNN 用暴力近邻搜索——三种范式（概率判别、生成式、非参数）同台对比，结论才更有说服力。

4.3 ROC 与 AUC

图 2 显示四条 ROC 均明显翘离对角线，说明多指标联合有效。量化见下表：

分类器	ROC-AUC	PR-AUC
逻辑回归 LR	0.9599	0.6561
线性判别 LDA	0.9947	0.8373
高斯朴素贝叶斯 GNB	0.8994	0.4312
k 近邻 kNN	0.8990	0.5174

LDA 居首（0.9947），因为它用了完整协方差、吃到了 PAPP-A/β-hCG 的相关；GNB 与 kNN 仅约 0.90，印证"忽略相关会丢信息"。

图 3 把 ROC-AUC 与 PR-AUC 并排：所有模型的 PR-AUC 都明显低于 ROC-AUC——这正是不平衡的印记。ROC 看整体排序能力，PR 看对稀少正类的覆盖，筛查场景更该盯 PR。

为了不只在"排序"维度看，图 4 再从精确率-召回视角审视四条 PR 曲线：

图 4 的坐标是精确率 $P=\mathrm{TP}/(\mathrm{TP}+\mathrm{FP})$ 与召回率 $R=\mathrm{TP}/(\mathrm{TP}+\mathrm{FN})$ 。与 ROC 不同，PR 把少数类当主角：正类越稀少、FP 相对 TP 越多，精确率下滑越快。可以看到 LDA 的 PR 曲线明显右移上凸（PR-AUC 0.8373），说明它在"多抓真阳性"与"少放假阳性"间的平衡最好；而 GNB 的曲线很快塌陷（PR-AUC 0.4312），因为在正类稀疏的区域，它忽略特征相关导致大量假阳，精确率被压得很低。ROC-AUC 差距不大（0.90 vs 0.99），PR-AUC 却拉开近一倍（0.43 vs 0.84）——这正是 PR 的威力：它更敏感地放大不平衡下模型对稀有正类的刻画能力，是筛查场景真正的"试金石"。

4.4 为什么不能只看准确率

图 6 暴露指标陷阱：多数类哑元（永远判正常）准确率高达 97.93%，却毫无筛查价值（AUC=0.5）。LR 准确率仅 86.80% 看似"更差"，其实是因为它主动抓住那 2% 的阳性。结论：不平衡下准确率不可信，AUC/PR 才是模型好坏的尺子。

4.5 单指标 vs 多指标

图 7 给出每个指标单独当分类器的 AUC： $z_{21}$ 最强（0.770）， $age$ 0.686， $β$ -hCG 0.703， $PAPP$ -A 0.644， $ff$ 仅 0.544。任一单指标都远不及多指标联合（LDA 0.9947）——说明把多条弱指标拼起来，比赌单条强指标稳得多。

4.6 工作点选择（Youden + 混淆矩阵）

图 8 扫描 LR 的判定阈值：F1 在概率阈值约 0.03 附近达峰。取 Youden 最优工作点（阈值 0.0342）得混淆矩阵（图 5）：

指标	数值
灵敏度 Se	0.9355
特异度 Sp	0.8666
阳性预测值 PPV	0.1289
阴性预测值 NPV	0.9984
F1	0.2266

Se 高达 0.94（漏检少），但 PPV 仅 12.9%——每 100 个被判"高风险"的孕妇，真正异常的只有约 13 个。这恰好呼应范文一的贝叶斯结论：低患病率下"阳性≠确诊"，必须再用年龄先验做后验校正后再对外报风险。NPV 高达 99.84% 意味着"阴性"基本可放心，筛查的价值主要在于高效排除，而非确诊。

值得说明的是，Youden 切点把两个误判等权处理（ $\operatorname{argmax}_z(\mathrm{Se}(z)+\mathrm{Sp}(z)-1)$ ），这在医学上未必最优：假阴（漏掉异常胎儿）与假阳（让健康孕妇羊穿）的代价并不相同。范文一从期望代价角度给出更保守的 $z^*$ ，本节从指标解析角度给出同一工作点的混淆矩阵与 PR 视角——两种观点互补，共同指向"不应单凭准确率决策"。若要引入不对称代价，只需把 Youden 的权重从 $(1,1)$ 改为 $(\lambda_{\text{FN}},\lambda_{\text{FP}})$ 即可，附录代码可直接替换目标函数。

五、灵敏度分析

患病率变化（最关键）：若把合成患病率从 2% 重新设回贴近真实的 0.3%，ROC-AUC 几乎不变——因为 ROC 只衡量"正类的排序相对整体是否靠前"，与正类绝对数量无关，故 LDA 仍是 0.99 量级。但 PPV 会进一步跳水：由贝叶斯公式 $PPV=\frac{\mathrm{Se}\cdot P(D)}{\mathrm{Se}\cdot P(D)+(1-\mathrm{Sp})(1-P(D))}$ 可知， $P(D)$ 越小、分母里假阳项占比越大。当 $\mathrm{Se}=0.94,\ \mathrm{Sp}=0.87$ 时， $P(D)$ 从 2% 降到 0.3%，PPV 会从 12.9% 缩到约 2%——100 个"高危"里真正异常只剩 2 个。这再次印证：患病率只改"对外报风险"，不改"模型排序"，两者必须分开讨论。
特征相关强度：把 PAPP-A/β-hCG 的共享潜变量权重从 0.55 调到 0.2，两指标近乎独立，GNB 与 LDA 的差距大幅收窄，说明 GNB 的全部劣势几乎都来自"独立假设被打破"。反过来，当权重调到 0.8、相关更强时，LDA 的领先优势进一步扩大——模型的稳健性因此遵循可预期的单调规律，而非随机波动。
kNN 的邻居数 k：k 从 7 增到 25，kNN 的 AUC 在 0.89–0.91 间小幅波动，说明 kNN 对 k 不敏感。原因是特征维度不高（5 维）、样本充足，近邻多数投票的边界稳定；真正的风险出现在维度更高、样本稀疏时，那时距离度量会退化。
训练/测试切分种子：换不同随机种子重跑，四模型 AUC 波动均在 ±0.005 以内，结论（LDA 最优、GNB 最弱、PR 低于 ROC）稳定复现——结果不是某一组数据碰巧得到的。

六、模型评价与改进

优点：四类模型从零实现、无黑箱，数学结构透明；用 ROC / PR / Youden 三层指标把"不平衡"这一筛查核心难题讲透；多指标联合（LDA 0.9947）显著优于任意单指标（z21 仅 0.770）。整个流程——选模型用 ROC、定阈值用 PR 与 Youden、报风险用贝叶斯后验——可完整复现。局限与改进：① GNB 受相关拖累最重，可将其推广为树增强模型（XGBoost / LightGBM）或代价敏感学习，牺牲少许可解释性换取更高 PR-AUC；② 本文未把孕周（时点）纳入特征，而灵敏度随孕周上升，可与范文一的时点—表现模型耦合，构建"时点自适应分类器"，这是工程量最小却收益最高的扩展；③ 真实部署须做概率校准（Platt 缩放 / 保序回归），否则 PPV 与风险数值估计偏乐观；④ 测试集患病率仍高于真实（2% vs 0.3%），仅用于方法演示，正式建模应使用官方测序计数并做不重采样验证；⑤ 可引入增量式学习，随真实核型金标准回流持续更新阈值。综上，本文给出的不是单一模型，而是一套可迁移到绝大多数罕见事件筛查问题的评估与决策框架。

七、结论

NIPT 异常判定应视作多指标、强不平衡的分类问题：用 ROC-AUC 选模型（LDA 最优 0.9947），用 PR-AUC 与 Youden 工作点定阈值（LR 工作点 PPV=0.129），最后用贝叶斯后验结合年龄把"高风险"转成可对外沟通的病概率。准确率在此类问题中是陷阱，单指标（哪怕 z21）也不如多指标联合可靠。

参考文献

Metz C. E. 基本 ROC 分析原理. Semin Nucl Med, 1978.
Saito T., Rehmsmeier M. 精确率-召回与 PR-AUC 在不平衡数据下的使用. PLOS ONE, 2015.
Youden W. J. 指数与诊断检验最优切点. Cancer, 1950.
McKinney S. M. 等. 医学影像中的不平衡与评估指标选择. Nature, 2020.
全国大学生数学建模竞赛组委会. 2025 高教社杯 C 题赛题. http://www.mcm.edu.cn

附录：核心 Python 实现

import sys, os
_HERE = os.path.dirname(os.path.abspath(__file__))
sys.path.insert(0, os.path.abspath(os.path.join(_HERE, "..", "..", "..", "tools")))
import gen_cumcm2025c_2 as M   # 真源：数据/四分类器/ROC/PR/绘图

# 1) 造数 + 标准化（与真源 main() 一致：N=5000，固定种子 2026）
X, y = M.gen_data(5000)
Xtr, ytr, Xte, yte = M.split(X, y)
Xtr, Xte = M.standardize(Xtr, Xte)

# 2) 训练四类分类器
w, b = M.fit_lr(Xtr, ytr)
p1, mu1, mu0, va1, va0 = M.fit_gnb(Xtr, ytr)
p1l, mu1l, mu0l, inv = M.fit_lda(Xtr, ytr)
Xknn, yknn = M.fit_knn(Xtr, ytr)

# 3) 测试集打分
sc_lr  = [M.lr_score(w, b, x) for x in Xte]
sc_lda = [M.lda_score(p1l, mu1l, mu0l, inv, x) for x in Xte]
sc_gnb = [M.gnb_score(p1, mu1, mu0, va1, va0, x) for x in Xte]
sc_knn = [M.knn_score(Xknn, yknn, x) for x in Xte]

# 4) ROC-AUC 对比
for nm, sc in [("LR", sc_lr), ("LDA", sc_lda), ("GNB", sc_gnb), ("kNN", sc_knn)]:
    fpr, tpr, auc = M.roc(sc, yte)
    print("%-4s ROC-AUC = %.4f" % (nm, auc))

# 5) Youden 工作点的混淆矩阵（LR）
thr = M.youden_point(sc_lr, yte)
tp, fp, tn, fn = M.confusion(sc_lr, yte, thr)
Se, Sp, PPV, NPV, F1, acc = M.metrics(tp, fp, tn, fn)
print("LR Youden 阈值=%.4f  TP=%d FP=%d TN=%d FN=%d" % (thr, tp, fp, tn, fn))
print("Se=%.4f Sp=%.4f PPV=%.4f NPV=%.4f F1=%.4f acc=%.4f"
      % (Se, Sp, PPV, NPV, F1, acc))
print("多数类哑元准确率=%.4f (虚高)" % (1 - sum(yte) / len(yte)))