广义加性模型

Parent: ai_keywords

广义加性模型（Generalized Additive Model, GAM）

核心定义

广义加性模型是广义线性模型（GLM）的非线性扩展。通过使用平滑函数（如样条、局部回归）对每个预测变量独立建模，并以加性形式组合，GAM能够在保留模型可解释性的同时，灵活捕捉变量与响应变量之间的复杂非线性关系。其数学表达为：
[ g(\mathbb{E}[Y]) = \beta_0 + f_1(x_1) + f_2(x_2) + \cdots + f_p(x_p) ]
其中 ( g(\cdot) ) 为链接函数，( f_j(\cdot) ) 为平滑函数。

关键技术点

1. 平滑函数与基函数
   通过基函数（如B样条、薄板样条）的线性组合拟合 ( f_j )，避免预先指定函数形式，数据驱动地估计非线性模式。

2. 加性结构与可解释性
   各变量效应独立相加，可分别可视化 ( f_j ) 的贡献，有效规避“黑箱”问题，适用于医学中需要解释变量影响方向的场景。

3. 链接函数与分布族
   支持正态、二项、泊松等分布，通过logit、log等链接函数扩展至分类、计数等非正态响应，覆盖临床常见结局（如疾病状态、住院次数）。

4. 惩罚似然估计
   引入平滑度惩罚项（如 ( \lambda \int [f’’(x)]^2 dx )），在拟合精度与过拟合风险间自动平衡，通过广义交叉验证（GCV）或REML优化。

【医学/神经科学应用场景】

首都医科大学神经病学研究所 在阿尔茨海默病（AD）研究中，利用GAM解析海马体积、脑白质高信号与认知下降的非线性关系。传统线性模型易遗漏临界阈值效应，而GAM可识别：当海马萎缩超过15%时，MMSE评分呈加速下降；同时发现白质病变负荷与执行功能呈“倒U型”关联——起初轻度受损时功能代偿，严重后快速恶化。该模型还整合了年龄作为平滑项，排除了混杂干扰，为AD早期干预窗口的界定提供了统计学依据。