基于AI的多模态表示学习用于发现社会经济劣势、心理社会因素与心脏代谢多病共病的潜在中介结构：来自All of Us研究项目的见解

# AI驱动的多模态表示学习用于社会经济劣势、心理社会因素与心脏代谢多病共存的潜在中介结构发现：来自All of Us研究项目的见解
来源：https://arxiv.org/html/2608.04016
曹聪耶鲁大学公共卫生学院生物统计学系，耶鲁大学，纽黑文，CT 06520，美国马双歌通讯作者：马双歌，耶鲁大学公共卫生学院生物统计学系，耶鲁大学，纽黑文，CT 06520，美国。电子邮箱：[email protected]耶鲁大学公共卫生学院生物统计学系，耶鲁大学，纽黑文，CT 06520，美国

## 摘要

社会劣势与多病共存相关，但将社会条件与疾病负担联系起来的路径仍知之甚少。我们开发了一个AI驱动的多模态中介分析框架，整合了All of Us研究项目中的社会经济、心理社会、临床、实验室、行为和基因组数据。使用模态特异性变分自编码器推导每个数据领域的潜在表示，随后在潜在空间中进行中介分析，以评估社会经济劣势、心理社会因素与多病共存之间的间接关联。最终分析队列包括20，804名具有完整多模态数据的参与者。在800种暴露–中介–结局组合中，中介信号集中于少数潜在维度。最强的间接关联将社会经济劣势维度、心理社会脆弱性维度和心脏代谢多病共存维度联系起来（NIE = 0.002517）。心理社会维度的特征是心理健康较差、孤独感较强、社会幸福感较低和健康素养较低，而结局维度与高血压、糖尿病、高脂血症、肥胖、慢性肾脏病和心脏病相关。Bootstrap分析支持主要路径的稳定性。这些发现表明，心理社会脆弱性在社会经济劣势与心脏代谢多病共存之间的主要潜在路径中得到了强烈体现。更广泛地说，所提出的框架展示了如何利用基于AI的表示学习来研究高维多模态健康数据中的复杂关系。

关键词：多病共存；健康的社会决定因素；中介分析；人工智能；变分自编码器；All of Us研究项目

## 引言

健康受到的影响远不止生物学因素。收入、教育、住房条件及其他社会决定因素会影响慢性病、多病共存和过早死亡的风险。尽管这些关联已得到充分证实，但社会劣势与不良健康结果之间产生联系的机制仍未完全阐明。心理社会因素，包括心理健康、孤独感、社会支持和健康素养，已被提出作为连接社会经济状况与心血管及代谢疾病的重要中介（?, ?, ?）。然而，以往大多数研究聚焦于有限数量的心理社会因素和单一疾病结局，难以刻画社会经历可能通过何种复杂路径影响多个健康领域的多病共存。

中介分析为检验暴露、中间变量与健康结局之间的潜在路径提供了一个有用的框架（?, ?, ?）。经典中介方法通常依赖于参数回归模型，并常常假设暴露、中介和结局之间的关系相对简单（?, ?）。这些假设在现代人群队列中变得越来越受限，因为变量具有高维性、高度相关性，并可能通过非线性交互相关联（?, ?）。因此，仅使用传统中介框架在复杂生物医学系统中识别路径仍具有挑战性。

近期方法论发展已越来越多地将机器学习纳入中介和路径分析。基于神经网络的方法已被用于建模复杂的中介–结局关系，并容纳传统回归模型难以捕捉的非线性依赖（?, ?, ?, ?）。其他研究开发了用于高维中介设置的机器学习方法，涉及大量变量和复杂依赖结构（?, ?, ?, ?）。与此同时，表示学习技术已被应用于行为、临床和生物学数据，以推导适用于下游分析的低维潜在特征（?, ?, ?），而生成模型也被探索用于在更复杂情境中估计反事实量（?, ?）。总之，这些发展扩大了在大规模多模态健康数据集中研究路径的机会。

多病共存提供了一个特别具有挑战性的情境，因为慢性病以相互关联的模式出现，而非孤立存在。疾病结局通常通过共享的生物、行为和社会决定因素相互关联，形成难以用传统分析方法表示的网状结构（?, ?, ?）。尽管人们对表示学习和高维中介方法的兴趣日益增长，但相对较少的研究将多模态表示学习、心理社会路径和多病共存结局统一在一个人群健康框架中。

All of Us研究项目在单一全国性队列中提供了关联的调查、电子健康记录、实验室、行为和基因组数据。这些数据允许联合检查社会、心理社会、临床和生物学领域，但其高维性和复杂相关结构带来了巨大的分析挑战。许多变量在模态内部和模态之间相互关联，多病共存结局自然通过疾病共现而非孤立诊断来组织。

为应对这些挑战，我们在All of Us研究项目中将多模态表示学习与潜在空间路径分析相结合。使用模态特异性变分自编码器推导社会经济、心理社会、疾病、实验室、行为和基因组领域的低维表示，随后将其整合到统一的分析框架中。我们的目标是研究大规模多模态人群队列中连接社会经济劣势、心理社会脆弱性和心脏代谢多病共存的潜在路径（?, ?, ?, ?）。

在整个研究过程中，中介术语用于描述间接关联的统计分解，而非因果中介效应的识别。我们使用自然间接效应（NIE）和自然直接效应（NDE）作为在潜在空间中计算的基于回归的分解量的便利标签。这些量不具有反事实因果解释，也不应被解释为因果识别的中介效应。

## 数据来源与研究人群

数据来自All of Us受控层级v8数据发布，包括来自问卷、电子健康记录、实验室测量、行为评估和全基因组测序数据的参与者层面信息。这些数据被组织为七个分析领域：社会经济暴露（TT）、心理社会中介（MM）、疾病结局（YY）、人口统计学协变量（XX）、实验室协变量（LL）、行为协变量（CC）和基因组负担谱（GG）。

社会经济暴露变量来自The Basics和社会决定因素健康调查工具。所有暴露、中介和结局维度的组合均被评估，产生800条候选中介路径。基线人口统计学协变量包括出生时性别和种族/民族。这些变量在下游分析中用作调整因素。心理社会变量来自自我报告调查测量，可用于633，537名参与者。测量包括一般心理健康、情绪困扰、孤独相关指标、社会幸福感、社会功能、社会支持和健康素养项目。这些变量被视为候选中介，因为它们捕捉了可能将社会经济状况与下游健康结局联系起来的社会、心理和信息维度。

疾病结局来自电子健康记录。二元疾病指标被构建为代表慢性疾病的存在或不存在。疾病结局数据可用于256，530名参与者。疾病列表包括涵盖主要器官系统的临床定义疾病，包括心血管、代谢、呼吸、心理健康、肌肉骨骼、消化、肾脏、神经、眼科、皮肤科和传染病类别。疾病共现关系随后被用于构建疾病网络表型，用于下游建模。

临床协变量包括实验室和生命体征测量，可用于474，829名参与者。变量包括体质指数、收缩压、舒张压、葡萄糖、糖化血红蛋白（HbA1c）、肌酐、总胆固醇、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇和甘油三酯。行为变量来自参与者调查回答，可用于215，221名参与者。变量包括吸烟史、吸烟频率、饮酒参与、饮酒频率和饮酒量。全基因组测序数据被用于构建罕见变异负担谱。测序数据可用于414，830名参与者。罕见变异被聚合为基因水平负担特征，以生成用于下游表示学习的基因组负担矩阵。经过负担构建和特征可用性过滤后，基因组分析数据集包括103，867名参与者和310个基因水平负担特征。

来自所有模态的参与者层面数据通过唯一参与者标识符进行链接。最终中介分析保留了在社会经济暴露、心理社会中介、疾病结局、人口统计学、实验室、行为和基因组领域具有完整信息的参与者。经过完全病例整合后，最终分析队列由20，804名参与者组成。

## 方法

我们开发了一个多模态中介框架，以研究All of Us研究项目中社会经济状况、心理社会因素与多病共存之间的路径。由于每个数据模态包含大量相关变量，在中介分析之前先学习低维潜在表示。该框架能够在考虑人口统计学、行为、临床和遗传信息的同时，评估连接社会经济暴露、心理社会因素和疾病结局的间接路径。分析工作流程概览见图1（https://arxiv.org/html/2608.04016#Sx4.F1）。

参见图注图1：AI驱动的多模态中介框架概览。首先从电子健康记录构建疾病共现网络。然后针对社会经济、心理社会、疾病、实验室、行为和基因组数据分别训练变分自编码器，以推导潜在表示。随后整合参与者层面的潜在嵌入，并用于潜在空间中介分析，以评估连接社会经济劣势、心理社会脆弱性和心脏代谢多病共存的路径，同时调整人口统计学、实验室、行为和基因组因素。工作流程包括四个阶段。首先，从电子健康记录数据构建疾病共现网络，以刻画多病共存的模式。其次，为每个数据模态分别训练变分自编码器（VAE），以学习参与者层面的潜在表示。使用独立模型是因为各模态在尺度、稀疏性、分布和临床意义方面存在显著差异。第三，使用唯一参与者标识符在参与者层面链接所有模态的潜在表示。最后，进行中介分析，以评估连接社会经济暴露、心理社会因素和疾病结局的路径，同时调整人口统计学、实验室、行为和基因组因素。

疾病共现网络使用All of Us队列中观察到的诊断构建。节点代表疾病类别，边代表成对疾病共现关系。使用Louvain社区检测算法刻画网络结构，并使用模块度量化社区组织的强度。为进一步评估多病共存结构，在完整队列和高多病共存亚组（由患有多种慢性病的个体组成）中均进行了网络分析。网络导出的疾病特征在参与者层面编码，并用作疾病特异性VAE的输入。

### 模型训练与潜在表示提取

对于每个数据模态，训练一个单独的VAE来学习低维参与者层面表示。在模型拟合之前，连续变量被标准化，分类变量被编码为模型输入特征，罕见变异负担计数在使用log(1+x)(1+x)变换后进行标准化。对于基因组模块，罕见变异被聚合为310个基因水平负担特征，产生基因组VAE的输入矩阵。

每个VAE由一个编码器、一个潜在层和一个解码器组成。编码器将模态特异性输入特征映射到低维潜在分布，解码器从采样的潜在表示重建原始输入。通过最小化标准VAE目标函数来训练模型，该目标函数结合了重建损失和Kullback–Leibler散度惩罚。编码器后验均值被提取为参与者层面的潜在嵌入，用于下游分析。

模型调优使用80%训练集和20%验证集划分。候选潜在维度、隐藏层宽度、学习率和KL散度惩罚权重使用验证集证据下界（ELBO）损失进行评估。搜索考虑了潜在维度5、10、20和50；隐藏层宽度128和256单元；学习率10^{-3}和10^{-4}；以及KL散度惩罚权重0.001和0.01。最终配置根据最低验证ELBO损失选择。每个模态的最终潜在维度根据验证ELBO表现独立选择。

模型使用PyTorch实现，并使用Adam优化器训练100个轮次，小批量大小为1，024。所得潜在空间包含四个社会经济维度（ZTZ_{T}）、二十个心理社会维度（ZMZ_{M}）、十个疾病网络维度（ZYZ_{Y}）、十个基因组维度（ZGZ_{G}）、八个实验室维度（ZLZ_{L}）和三个行为维度（ZCZ_{C}）。这些潜在表示随后用于下游中介分析。详细架构和超参数设置见补充方法。

### 潜在空间中介估计

The m