梯度提升结合共形预测：为非酒精性脂肪肝病提供无分布假设的风险评估
非酒精性脂肪肝病（NAFLD）影响着全球约 25% 的成年人，但现有的人群筛查工具准确性不足。近日，一项发表在 arXiv 上的研究提出了一种名为 Method 的机器学习框架，将梯度提升决策树与共形预测相结合，为个体风险评估提供了有校准保证的置信区间，且无需依赖数据分布假设。
方法核心：共形预测 + 特征选择
Method 的核心创新在于两点：一是利用 共形预测（Conformal Prediction） 为每个预测结果生成一个预测集，并保证在用户指定的置信水平下，真实标签落在该集合内的概率至少达到该水平（即边际覆盖保证）。二是引入基于 互信息（Mutual Information） 的稳定性选择过程，通过自助重采样筛选出紧凑且临床可解释的特征子集，最终选定了 腰围、ALT、GGT、甘油三酯、空腹血糖和BMI 这六项指标，与已知的代谢风险因素高度一致。
实验验证：性能超越主流模型
研究团队使用来自中国广州的多中心队列数据进行评估，其中主要训练集包含 2,187 例样本，外部验证集包含 412 例。在 78 个候选特征中，Method 在内部测试集上取得了 0.912 的 AUROC，外部验证集上为 0.891，表现优于深度神经网络、TabNet、支持向量机和逻辑回归等对比模型。在共形预测方面，当名义置信水平设为 90% 时，实际经验覆盖率达到 91.3%，验证了其校准的可靠性。
风险分层：精准识别高危人群
基于预测得分，Method 将人群划分为三个风险层级。其中，高风险亚组的 12 个月疾病进展率 是低风险组的 4.7 倍，显示出该方法在临床风险分层中的实用价值。研究者指出，这一框架不仅可用于 NAFLD 的早期筛查，其方法论也可推广至其他慢性病的风险评估场景。
该研究为 AI 在医疗健康领域的应用提供了一种新思路：在追求预测精度的同时，通过共形预测提供可量化的不确定性估计，从而增强临床决策的可靠性。