Disentangling Latent Risk Pathways via Bayesian Hypergraph Inference

会议: ICML 2026
arXiv: 2606.07677
代码: github.com/Naomi-Ding/BHPI
领域: 计算生物 / 贝叶斯结构学习
关键词: 贝叶斯超图, 多疾病建模, 结构化变分推断, 排斥先验, 电子健康档案

一句话总结

针对电子健康档案（EHR）里"多疾病、长尾稀有、共享危险因素"的建模难题，作者把多疾病风险重构成"危险因素调制的潜在疾病通路"，用一张潜在超图（超边=共享危险因素的疾病子集）来表达高阶结构，配上一个排斥先验保证通路稀疏可辨识，再用一套保持逻辑依赖的结构化变分推断做可扩展、带校准不确定性的后验估计。

研究背景与动机

领域现状：EHR 让我们能在人群尺度上同时建模成百上千种疾病风险。现实里一个人常同时易患多病，疾病患病率从常见慢病到罕见病跨度极大，而年龄、吸烟、社会因素等共享通路会在疾病间诱发复杂依赖。

现有痛点：疾病间的依赖不是对所有危险因素都一样——不同危险因素以不同方式组织疾病。比如年龄同时抬高心血管和代谢病风险，吸烟主要影响呼吸和肿瘤类疾病。这些疾病分组是重叠的、本身带不确定性的、且因危险因素而异的。现有方法都接不住这个目标：独立的疾病专属模型（如逻辑回归）透明但把疾病当孤立任务，无法为罕见病借力、不确定性校准差；多任务/联合建模能共享信息却多是黑箱，把所有危险因素纠缠进单一潜空间，看不清"哪个因素经哪条通路起作用"；结构化的疾病网络/共病模型又往往把所有因素聚合成一张相关结构，无法按因素拆解，且难以扩展到现代 EHR 规模。

核心矛盾：真正的目标不是单纯预测，而是要学到危险因素特异、可重叠的潜在结构，且这结构是高阶的（疾病成组、而非成对），同时还得在长尾、数据有限的情况下给出校准的不确定性。统计效率（为罕见病借力）和结构化归纳偏置（可解释、可辨识）必须兼得。

本文目标：回答一个核心流行病学问题——某个危险因素是经由哪些共享疾病通路施加影响的，我们对这个结构有多确定？分解为：(i) 在含低患病率疾病的多相关结局上预测风险；(ii) 恢复可解释、可重叠的潜在疾病通路。

切入角度：作者的关键洞察是表征层面的——标准图和多任务模型只捕获成对相关或纠缠的共享效应，而病因通路本质上是高阶的、涉及一组疾病。所以应该用超图的超边来表达通路。

核心 idea：把多疾病建模重构为"发现潜在的、危险因素调制的疾病通路"——疾病是超图节点，超边是共享危险因素影响模式的疾病子集，危险因素直接作用在超边上，从而把因素影响与单个结局解耦，天然支持重叠的、因素特异的疾病组织，并用全贝叶斯框架给出结构与效应传播的校准不确定性。

方法详解

整体框架

BHPI（Bayesian Hypergraph Pathway Inference）是一个生成式贝叶斯模型 + 一套可扩展推断算法。生成侧自上而下是四层：观测模型把潜在通路结构连到二值疾病结局；潜在超图用关联矩阵 \(H\) 编码"哪些疾病属于哪条通路"；超图诱导的特征效应把超边级效应折算成疾病级危险因素系数；稀疏的、带排斥先验的因素-超边效应决定"哪个危险因素激活哪条通路"。推断侧则用一套结构化变分推断：因为超边存在、疾病成员、效应之间有硬逻辑依赖（存在→成员→效应），标准 mean-field 会把这些依赖打散导致不确定性失准，作者设计了保持这些耦合的变分族 + Pólya–Gamma 增广 + 坐标上升（CAVI）来求解。

整张图的输入是患者协变量 \(\boldsymbol{x}_i\in\mathbb{R}^P\) 和多疾病二值结局 \(Y_{i,v}\)，输出是疾病通路结构（超图）、危险因素到通路的归因、以及两者上的后验不确定性。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'subGraphTitleMargin': {'top': 8, 'bottom': 16}}}%%
flowchart TD
    A["输入：患者协变量 x + 多疾病结局 Y"] --> B["潜在超图表示<br/>超边=疾病通路 H=z·m"]
    B --> C["超图诱导特征效应<br/>β_v 由超边级 μ 折算"]
    C --> D["稀疏因素调制 + 排斥先验<br/>谁激活谁、不许冗余重叠"]
    D --> E["结构化变分推断<br/>保逻辑依赖 + PG增广 + CAVI"]
    E --> F["输出：可解释疾病通路<br/>危险因素归因 + 校准不确定性"]

关键设计

1. 潜在疾病超图：用超边表达高阶、可重叠的疾病通路

成对图和全局共享表征只能表达"两两相关"或"纠缠的共享效应"，而病因是一组疾病一起被某个危险因素模式驱动——这是高阶的。作者用超图 \(\mathcal{G}=(\mathcal{V},\mathcal{E})\)，节点 \(\mathcal{V}\) 是疾病、每条超边 \(e\) 表示一组疾病对输入特征的共享响应模式，用关联矩阵 \(H\in\{0,1\}^{V\times E}\) 编码，\(H_{v,e}=1\) 表示疾病 \(v\) 属于通路 \(e\)。超边允许重叠，于是一种疾病可同时参与多条通路。疾病级特征效应由超边级效应诱导：

\[\beta_{j,v}=d_v^{-1}\cdot\sum_{e=1}^{E}H_{v,e}\,\mu_{j,e},\quad d_v=E^{1/2},\]

其中 \(\mu_{j,e}\) 是危险因素 \(j\) 对超边 \(e\) 的效应，归一化常数 \(d_v=E^{1/2}\) 稳定诱导效应的方差、让风险量级不随 \(E\) 增大而漂移。这个构造的妙处是：一种疾病可经不同通路被不同特征影响，一个特征也可作用于多个疾病子集——把"危险因素影响"从"单个结局"上解耦出来，正是可解释归因的根。

2. 排斥先验：逼出稀疏、可辨识的通路，防止潜结构塌缩

如果不加约束，同一个危险因素可能被多条高度重叠的超边冗余地解释，结构既不稀疏也不可辨识——这在罕见病弱信号下尤其会退化成无意义解。结构上，超边先有二值存在指示 \(z_e\sim\text{Bernoulli}(r_e)\)，存在的前提下才有疾病成员 \(m_{v,e}\)，关联矩阵 \(H_{v,e}=z_e\cdot m_{v,e}\)，把"全局超边发现"和"超边内疾病组成"分层开。在因素侧，对超边效应用 spike-and-slab 先验 \(\mu_{j,e}\mid\gamma_{j,e}\sim(1-\gamma_{j,e})\delta_0+\gamma_{j,e}\mathcal{N}(0,\sigma_\mu^2)\)，由选择子 \(\gamma_{j,e}\) 决定特征 \(j\) 是否影响超边 \(e\)。关键的排斥先验则惩罚"同一特征选中高度重叠的多条超边"：

\[\mathcal{R}_{\text{rep}}(\boldsymbol{\gamma}_j\mid H)\propto\exp\Big\{-\lambda\sum_{e_1<e_2}O(S_{e_1},S_{e_2})\cdot\gamma_{j,e_1}\gamma_{j,e_2}\Big\},\]

其中 \(S_e=\{v:H_{v,e}=1\}\)，重叠系数 \(O(S_{e_1},S_{e_2})=\frac{|S_{e_1}\cap S_{e_2}|}{\min(|S_{e_1}|,|S_{e_2}|)}\in[0,1]\)（取 1 表示完全重叠），\(\lambda\) 控排斥强度。它鼓励单个特征内部通路解耦可辨识，同时允许不同特征间通路重叠。再叠加逻辑约束 \(z_e=0\Rightarrow m_{v,e}=\gamma_{j,e}=\mu_{j,e}=0\)、\(\gamma_{j,e}=0\Rightarrow\mu_{j,e}=0\)，保证只在全局激活的超边上选因素，结构既连贯又稳。

3. 结构化变分推断：保住"存在→成员→效应"的逻辑依赖

后验难算有两重：逻辑回归似然非共轭，加上组合的潜在超图 + 硬逻辑约束。作者先用 Pólya–Gamma 增广引入 \(\omega_{i,v}\sim\mathrm{PG}(1,\tilde{\eta}_{i,v})\) 把似然变成条件高斯，从而得到闭式 CAVI 更新。难点在于标准 mean-field（如 \(q(z_e)\prod_v q(m_{v,e})\)）会给 \(\{z_e=0,m_{v,e}=1\}\) 这种逻辑上不可能的配置分配非零概率，破坏校准。于是作者设计条件依赖的变分族：把成员 \(m_{v,e}\)、效应选择 \(\gamma_{j,e}\) 的后验都条件在 \(z_e\) 上，并保证"零保持（zero-preservation）"——一旦 \(q(z_e)\) 收缩到 0，对应的 \(q(m_{v,e}\mid z_e=0)\)、\(q(\gamma_{j,e}\mid z_e=0)\)、\(q(\mu_{j,e})\) 都塌缩到 0 处的 Dirac，干净地剔除失活通路。\(q(z_e)\) 的更新像一个"全局开关"，汇聚下游疾病成员和因素稀疏的证据来剪掉冗余超边。整套算法的单次迭代复杂度约 \(\mathcal{O}(N\cdot E\cdot(P+V))\)，随样本数与超图维度线性扩展，可上大规模 EHR。

损失函数 / 训练策略

推断目标是最小化变分族与真后验的 KL 散度、等价于最大化 ELBO，用坐标上升变分推断（CAVI）逐因子更新。其中排斥感知更新是亮点：\(\gamma_{j,e}\) 的 Bernoulli 参数 \(\nu_{j,e}^\ast\) 被排斥先验耦合到同特征的其他超边上，更新变成一场"竞争性选择"——把组合重叠替换成变分期望 \(\mathbb{E}_q[O(S_e,S_{e'})]\) 作为排斥惩罚，抑制同一特征同时激活冗余通路，从而保证学出稀疏可辨识的潜在结构（完整流程见原文 Algorithm 1）。

实验关键数据

主实验

因为真实 EHR 没有潜在超图的 ground truth，作者用模拟数据评结构恢复 + 预测，再用 UK Biobank 验证真实场景。模拟设 \(V=30\) 疾病、\(E=5\) 超边，疾病可参与多超边；危险因素影响稀疏（首个预测子影响多超边、其余各影响单超边），非零效应取自 \(\mathcal{N}(\mu,0.5^2)\)、\(\mu\in\{1,1.5,2\}\)；样本量 \(N\in\{2000,5000\}\)，每设置 50 次重复、60/20/20 划分。下表为模拟数据上的预测 AUC（×100，括号内标准差）：

模型	N=2000	N=5000
BHPI（本文）	75.00 (0.83)	74.63 (0.46)
Optimal Logistic	73.86 (0.83)	74.15 (0.49)
LightGBM	68.50 (0.94)	69.68 (0.56)
Binary Relevance	71.50 (0.94)	72.61 (0.64)
Classifier Chain	71.25 (1.03)	72.63 (0.63)
RAkELd	70.99 (0.95)	—

BHPI 在预测 AUC 上与最优逻辑回归持平或略胜、明显高于 LightGBM 和多标签基线，同时还能产出潜在通路结构和校准不确定性——后者是所有基线都给不了的。

能力对比

能力	独立模型(逻辑回归)	多任务/黑箱	共病网络	BHPI
为罕见病借力	✗	✓	部分	✓
高阶（成组）结构	✗	✗	✗(成对)	✓
危险因素特异通路	✗	✗(纠缠)	✗(聚合)	✓
校准不确定性	差	有限	有限	✓

关键发现

• 排斥先验是稳定长尾推断的关键：它阻止同一因素冗余地用多条重叠超边解释，缓解潜结构塌缩；没有它，罕见病的弱信号会把解推向退化。
• 结构化 VI 决定不确定性是否可信：保住"存在→成员→效应"逻辑依赖的零保持，是校准的前提；标准 mean-field 会给逻辑不可能的配置分概率，导致失准。
• 罕见病估计改善 + 预测不掉：通过超图借力，BHPI 在长尾疾病上的估计更好，而整体预测 AUC 仍与强基线竞争。
• 可解释 + 可扩展兼得：单迭代 \(\mathcal{O}(N\cdot E\cdot(P+V))\) 线性复杂度让框架能上 UK Biobank 这类大队列，恢复出稳定、可解释的疾病通路。

亮点与洞察

• 把"危险因素如何组织疾病"这件事建成可推断的潜在超图：超边=通路、因素作用在超边上，这一表征选择直接解耦了"哪个因素经哪条通路起效"，比成对图和黑箱多任务都更贴病因学的真实结构。
• 排斥先验 + 重叠系数是个干净的可辨识性机制：单特征内排斥、跨特征允许重叠，既防塌缩又不过度约束，思路可迁移到任何"会冗余激活的稀疏选择"问题。
• 结构化 VI 的"零保持"是把生成模型的硬逻辑约束搬进近似后验的范本：对任何带"存在→成员"层级离散结构的贝叶斯模型都有借鉴价值。
• 全程贝叶斯给出的是结构与效应上的校准不确定性，这在精准医疗/流行病学里比单点预测更有决策价值。

局限与展望

• 超边数 \(E\) 是预设上界，虽有存在指示 \(z_e\) 自动剪枝，但上界设置和先验超参（\(\lambda\)、各 Beta/Inv-Gamma）仍需调，自动选 \(E\) 是自然延伸。
• 结构恢复的定量评估依赖模拟（真实 EHR 无 ground truth），模拟的生成过程与真实病因机制的吻合度会影响结论外推。
• 观测模型是线性 logistic（\(\tilde{\eta}_{i,v}=\alpha_v+\boldsymbol{x}_i^\top\boldsymbol{\beta}_v\)），对高度非线性的危险因素交互可能表达不足；与神经特征提取结合是潜在方向。
• 变分近似（尤其排斥项用期望重叠替代组合重叠）会带来近似误差，与 MCMC 的差距在大规模下未充分刻画。

相关工作与启发

• vs 独立疾病模型（罚项/贝叶斯逻辑回归）：它们透明但把疾病当孤立任务、不借力、罕见病不确定性差；BHPI 通过超图共享危险因素效应为罕见病借力。
• vs 多任务学习 / 表征共享：MTL 用共享潜因子/神经架构隐式捕获共性，但表征是黑箱、看不清疾病分组、对结构本身缺不确定性；BHPI 显式、可解释且带校准不确定性。
• vs 共病网络 / 多标签学习：共病网络把所有因素聚合成单一相关结构、无法按因素拆解，多标签捕获结局依赖但缺特征特异调制；BHPI 做的正是危险因素特异的高阶解耦。
• vs 超图表示学习（超图神经网络）：现有超图 NN 多假设超图结构已知或用启发式相似度推断；本文把超图拓扑当作潜在随机变量在全贝叶斯生成框架里推断，专为解耦危险因素调制而设计。

评分

• 新颖性: ⭐⭐⭐⭐⭐ 把多疾病建模重构为潜在超图通路推断 + 排斥先验，表征视角独到
• 实验充分度: ⭐⭐⭐⭐ 模拟可控评估 + UK Biobank 实证，但结构恢复定量仍主要靠模拟
• 写作质量: ⭐⭐⭐⭐⭐ 动机—生成模型—推断算法层层递进，逻辑约束讲得很清楚
• 价值: ⭐⭐⭐⭐⭐ 可解释 + 校准不确定性 + 罕见病借力，对精准医疗/流行病学很有用

相关论文

• [ICML 2026] iLoRA: Bayesian Low-Rank Adaptation with Latent Interaction Graphs for Microbiome Diagnosis
• [AAAI 2026] ProtSAE: Disentangling and Interpreting Protein Language Models via Semantically-Guided Sparse Autoencoders
• [ICML 2026] Transformed Latent Variable Multi-Output Gaussian Processes
• [ICML 2026] Scalable Single-Cell Gene Expression Generation with Latent Diffusion Models
• [ICML 2026] Towards Universal Gene Regulatory Network Inference: Unlocking Generalizable Regulatory Knowledge in Single-cell Foundation Models