代理模型
Parent: ai_keywords
代理模型
核心定义
代理模型（Surrogate Model）是一类基于数据驱动的近似模型，旨在以较低计算成本替代高保真、但计算或时间开销巨大的真实模型（如物理仿真、临床试验、复杂数值计算）。在人工智能+医学领域，代理模型通过机器学习方法（如高斯过程、神经网络）学习输入与输出之间的映射关系，并提供预测及不确定性量化，从而加速优化、敏感度分析及决策过程。
关键技术点
- 高斯过程回归（GPR）：作为非参数贝叶斯方法，GPR能同时输出预测均值与置信区间，非常适合小样本、高噪声的医学数据建模，是构建代理模型的核心工具。
- 贝叶斯优化：利用代理模型（通常为GPR）指导超参数或治疗参数搜索，通过采集函数（如期望改进EI）平衡探索与利用，广泛应用于脑深部电刺激（DBS）后程参数调优。
- 多保真度建模（Multi-fidelity Modeling）：融合高保真（如fMRI）与低保真（如EEG）数据，利用相关性训练代理模型，在保证精度前提下显著降低数据采集成本。
- 主动学习（Active Learning）：代理模型自主选择最具信息量的样本（如不确定性最大的点）进行标注或高保真计算，提升模型收敛效率，适用于罕见病预后数据扩充。
- 深度神经网络代理：针对高维时间序列（如多通道神经电生理信号），采用卷积或循环神经网络构建快速推理代理，实现实时癫痫发作预测。
医学/神经科学应用场景
脑卒中预后预测与康复评估（首都医科大学神经病学背景）
脑卒中后功能预后（如90天mRS评分）传统依赖大规模临床试验或耗时的高精度灌注成像模拟。我们提出一种多保真度代理模型策略：以入院时NIHSS评分、梗死体积（CT/MRI）作为低保真特征（源自万级常规病例库），以功能连接MRI、躯体感觉诱发电位等神经电生理高保真特征（来自首都医科大学宣武医院百例密集随访队列）作为锚点。利用高斯过程回归构建代理模型，仅需3-5例高保真样本即可准确预测患者个体恢复轨迹（R²>0.85），并输出95%置信区间用于临床风险分层。该代理模型已辅助医生制定早期多模态康复方案，将昂贵功能影像检查需求降低70%，同时保持预测一致性，为脑卒中精准医疗提供了低成本、可解释的决策支持工具。
