A Semiparametric Approach for Robust Modeling of Electronic Health Record Linked Biobank Data¶
作者: Molei Liu, Xinyi Wang, Chuan Hong
来源: Scandinavian Journal of Statistics
主题: 因果推断
相关性: 7/10
机构绿灯: Peking University(US News 前 50,免分进入精读)
链接: https://doi.org/10.1111/sjos.70082
一、领域脉络与小综述¶
这个方向是什么¶
本文所处的子方向是"无真实结局标签下的半参数风险建模与表型分类",属于因果推断与测量误差的交叉地带。根本的科学问题是:在电子健康记录(EHR)关联生物样本库数据中,研究者真正关心的疾病结局(如2型糖尿病的确诊状态)往往不可直接观测,只能获得多个有误分类的EHR替代结局(如诊断代码、用药记录),以及少量可能同样有误的图表审核标签。在此设定下,目标是对基线生物标志物建立疾病风险函数(一个条件期望/条件概率的估计问题),同时构建EHR表型预测模型并评估其预测性能——而这一切都必须在没有真实结局标签的条件下完成。该方向的成熟度处于"方法正在成形但远未收敛"的阶段:已有工作多依赖参数模型假设或强可忽略性假设,对误分类的处理要么忽略、要么需要外部验证数据,本文试图在不依赖参数模型的前提下同时解决估计与验证两个问题。
发展脉络(history)¶
从引言与参考文献看,这条线大致如下:
-
奠基工作:EHR表型分类的早期尝试。引言指出,早期工作直接使用EHR替代结局作为真实结局进行风险建模,忽略了误分类问题。这类工作的代表是围绕"eMERGE网络"和"PheWAS"的系列研究,它们建立了"用诊断代码定义表型"的基本范式,但作者明确批评其"ignoring the noise in these outcomes can induce severe estimation and validation bias"——这是本文要补的第一个口子。
-
主要进展一:有监督的图表审核标签辅助。随后一批工作引入少量通过医疗图表审核获得的标签来辅助表型分类。这类方法(如基于逻辑回归或随机森林的监督分类器)假设图表审核标签是金标准,但作者指出这一假设同样可疑——"which may also be subject to misclassification"。这为本文的"无监督+允许标签有误"设定埋下伏笔。
-
主要进展二:测量误差校正的半参数方法。在统计学一侧,引言引用了测量误差模型(measurement error models)的经典文献,特别是针对"替代结局+验证子样本"的半参数估计方法。这类方法通常假设验证子样本中的标签无误差,且需要指定结局模型或误差模型的形式。作者指出这些方法"rely on parametric model specifications"——这是本文要补的第二个口子。
-
当前frontier:无监督+多替代结局的联合建模。最近的工作开始探索不依赖外部标签、仅用多个替代结局进行无监督学习的思路。引言提到了一些基于潜在类别模型(latent class models)的工作,它们假设替代结局在给定真实结局下条件独立,但通常需要参数化假设(如正态性或logistic形式)。本文的位置是:在保留无监督设定的同时,去掉参数模型假设,用复合非参数回归+参数投影两步法实现根号n收敛。
-
本文的位置:作者将自己的贡献定位为"a novel unsupervised and semiparametric approach",核心卖点是:①不需要真实结局标签;②允许图表审核标签也有误;③风险建模达到根号n收敛;④对参数假设的违背具有稳健性。这四点分别对应上述四个口子。
子线索聚类¶
被引文献大致落在三条子线索上:
-
EHR表型分类与生物样本库研究(应用驱动):eMERGE、PheWAS、图表审核流程。这条线关注"怎么用EHR数据定义疾病表型",方法上偏监督学习,对误分类问题的处理较粗糙。
-
测量误差模型与验证子样本(统计方法驱动):经典测量误差文献、半参数效率理论。这条线关注"有噪声替代变量时如何做推断",方法成熟但通常需要验证子样本无误差或参数模型假设。
-
无监督学习与潜在类别模型(机器学习/统计交叉):潜在类别分析、多替代结局的联合建模。这条线关注"没有标签时如何聚类或分类",但通常依赖强参数假设。
本文站在第2和第3条线的交叉点上:用第2条线的半参数工具(投影、效率理论)解决第3条线的问题(无标签、多替代结局),同时回应第1条线的应用需求。
这个方向在追问的核心问题¶
- 可识别性:在没有真实结局标签、替代结局有误分类、审核标签也可能有误的设定下,疾病风险函数是否可识别?需要什么条件?
- 估计效率:在可识别的前提下,如何构造达到根号n收敛的估计量?参数投影步骤会损失多少效率?
- 验证问题:没有真实结局,如何评估EHR表型预测模型的性能(灵敏度、特异度、AUC)?
- 稳健性:当模型假设(如替代结局的条件独立性、审核标签的误差结构)被违反时,估计量会偏多少?
已知瓶颈:可识别性通常需要至少两个条件独立的替代结局(类似工具变量或重复测量的逻辑);效率提升与稳健性之间存在张力——参数模型假设越强,效率越高但偏差风险越大;非参数方法稳健但收敛速度慢(维度灾难)。
⚠️ 作者的 framing(必须明确标注成"这是作者的说法")¶
作者把缺口frame成:"现有方法要么忽略替代结局的噪声(导致偏差),要么依赖参数模型假设(导致不稳健),要么需要无误差的验证标签(现实中不成立)。本文提出一种无监督、半参数、允许所有标签有误的方法,同时实现根号n收敛和稳健性。"
被淡化或回避的竞争路线: - 完全非参数的潜在类别模型:作者没有深入讨论当替代结局数量很少(如只有2个)时可识别性是否还能保证——这是潜在类别模型的经典难题。 - 贝叶斯方法:引言没有提及贝叶斯潜变量模型(如MCMC-based latent class models),这类方法在EHR表型文献中其实很常见,作者可能认为其计算成本高且先验选择敏感。 - 外部验证数据:作者回避了"如果有一小部分金标准标签(如通过更昂贵的检测获得)可用"的设定,这在实际中很常见,但本文的框架不覆盖。
什么明显该被引/该存在、却没出现在intro里? 值得去查的问题: - 关于"多替代结局的可识别性"的经典结果(如Hui & Walter, 1980的潜在类别模型可识别性条件)是否被引用?如果没引,可能是作者认为自己的设定不同(有连续协变量),但读者需要确认。 - 关于"误分类的验证标签"的测量误差文献(如"validation study with imperfect gold standard")是否被提及?这是与本文最接近的统计文献。 - 关于"半参数效率界"的经典工具(如Bickel et al., 1993)是否被引用?如果作者声称达到根号n收敛,应该讨论效率界。
张力¶
未见明显对立引用。但存在一个潜在张力:无监督设定下的可识别性 vs. 参数模型假设的稳健性。潜在类别模型文献通常指出,无监督设定下可识别性非常脆弱(需要强条件独立假设),而本文声称"robust to violations of parametric assumptions"——这两者之间如何调和?作者可能通过"复合非参数回归+投影"的结构来规避,但读者需要仔细检查可识别性条件是否真的比潜在类别模型更弱。
二、最核心、最简单的例子 / 数学问题¶
第一步:把符号、模型、可观测数据交代清楚¶
符号(逐个点名):
- \(Y\):真实疾病结局(二值,0/1)。这是潜在(potential)量——研究者观测不到。
- \(S_1, \ldots, S_K\):\(K\)个EHR替代结局(二值,0/1),如诊断代码、用药记录、实验室异常指标。这些是可观测的随机变量。
- \(L\):图表审核标签(二值,0/1),来自少量病历的人工审核。这也是可观测的随机变量,但可能有误分类。
- \(X\):基线生物标志物向量(如遗传风险评分、生化指标),维度记为\(d\)。这是可观测的协变量。
- \(r(x) = P(Y=1 \mid X=x)\):疾病风险函数,即目标估计量(estimand)。这是要估计的条件概率。
- \(\pi_j(x) = P(S_j=1 \mid Y=1, X=x)\):第\(j\)个替代结局的灵敏度(给定真实患病且协变量\(x\)下,替代结局为1的概率)。
- \(\psi_j(x) = P(S_j=1 \mid Y=0, X=x)\):第\(j\)个替代结局的假阳性率(1减去特异度)。
- \(\alpha(x) = P(L=1 \mid Y=1, X=x)\):审核标签的灵敏度。
- \(\beta(x) = P(L=1 \mid Y=0, X=x)\):审核标签的假阳性率。
- \(n\):总样本量(EHR关联生物样本库的个体数)。
- \(m\):有审核标签的子样本量(通常\(m \ll n\))。
模型(数据生成机制):
- 潜在结局:\(Y \sim \text{Bernoulli}(r(X))\),其中\(r(x)\)是未知的、非参数的风险函数。
- 替代结局:给定\(Y\)和\(X\),\(S_j\)独立地服从\(\text{Bernoulli}(\pi_j(X))\)(若\(Y=1\))或\(\text{Bernoulli}(\psi_j(X))\)(若\(Y=0\))。关键假设是条件独立:\(S_1, \ldots, S_K\)在给定\((Y, X)\)下相互独立——这是无监督可识别性的核心假设(类似潜在类别模型的局部独立性)。
- 审核标签:给定\(Y\)和\(X\),\(L\)独立于\(S_j\),服从\(\text{Bernoulli}(\alpha(X))\)(若\(Y=1\))或\(\text{Bernoulli}(\beta(X))\)(若\(Y=0\))。审核标签的误差结构允许与替代结局不同。
- 缺失机制:\(L\)仅在\(m\)个个体上可观测,缺失机制假设为随机缺失(MAR)——即\(L\)是否被观测与\(Y\)、\(S_j\)无关(给定\(X\))。
可观测数据:
- 对\(n\)个个体,观测到\((X_i, S_{i1}, \ldots, S_{iK})\)。
- 对其中\(m\)个个体,额外观测到\(L_i\)。
- 关键点:\(Y\)对所有个体都不可观测。这就是"无监督"的含义——没有任何金标准标签。
要估计的对象:\(r(x) = P(Y=1 \mid X=x)\),以及(作为副产品)EHR表型预测模型的性能(如\(P(S_j=1 \mid Y=1)\)的估计)。
第二步:讲最小内核¶
最小特例:假设\(K=2\)(只有两个替代结局),\(X\)是离散的(只有有限个取值,比如遗传风险评分的三分位),且审核标签\(L\)不存在(\(m=0\))。这是潜在类别模型的最简设定。
要解决的数学问题:仅凭\((S_1, S_2)\)的联合分布,能否识别\(r(x)\)?
为什么难:观测到的联合分布是:
这是一个2-分量混合模型。未知参数包括:\(r(x)\)(1个)、\(\pi_1(x), \pi_2(x)\)(2个)、\(\psi_1(x), \psi_2(x)\)(2个),共5个未知数。但观测到的联合分布只有\(2^2=4\)个概率(减去1个归一化约束,实际3个自由度)。参数比方程多,不可识别。
本文的核心思想:加入审核标签\(L\)(即使\(m\)很小)来打破不可识别性。当\(m>0\)时,观测数据中多了\(P(L \mid S_1, S_2, X)\)的信息,这提供了额外的约束方程。更一般地,当\(K \geq 3\)时,即使没有\(L\),3个替代结局的联合分布有\(2^3-1=7\)个自由度,而未知参数为\(1+2\times3=7\)个——恰好可识别(这是潜在类别模型的经典结果)。
最小内核的数学命题:在\(K \geq 3\)且条件独立假设成立时,\(r(x)\)是非参数可识别的,即存在从观测分布到\(r(x)\)的连续映射。本文的方法本质上是在这个可识别性基础上,构造一个两步估计量:
- 第一步(复合非参数回归):用\(K\)个替代结局的联合分布,通过非参数方法(如核回归或局部似然)估计"伪结局"的条件期望。具体来说,构造一个复合得分\(T(x) = \sum_j w_j S_j\)(或更一般的函数),然后非参数地估计\(E[T \mid X=x]\)。这一步不需要任何参数模型假设。
- 第二步(参数投影):将第一步得到的非参数估计量\(\hat{r}_{NP}(x)\)投影到一个参数族(如逻辑斯蒂模型\(\{r_\theta(x) = \text{logit}^{-1}(\theta^T \tilde{x})\}\))上,得到\(\hat{\theta}\)。投影的目的是降方差——非参数估计量收敛慢(如\(n^{-2/(d+4)}\)),但投影后达到\(\sqrt{n}\)收敛。
为什么成立:第一步保证了估计量的一致性(不依赖参数假设,所以稳健);第二步保证了收敛速度(投影到低维参数族后,参数部分的估计达到\(\sqrt{n}\))。关键在于:投影步骤只影响方差,不影响一致性——因为投影目标\(\theta^*\)定义为\(r(x)\)在参数族上的\(L_2\)投影,即使参数族是错的,\(\hat{\theta}\)也收敛到\(\theta^*\)(伪真值),而\(\hat{r}_\theta(x)\)仍然是对\(r(x)\)的一个合理近似。
这个最小内核揭示了论文的本质:用非参数步骤保证稳健性,用参数投影步骤换取效率。这是半参数方法的标准套路,但本文的创新在于把它应用到"无真实结局标签+多替代结局"的设定中。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在EHR关联生物样本库数据中,真实疾病结局不可观测、仅有多个有误分类的替代结局和少量可能有误的审核标签时,如何对基线生物标志物进行疾病风险建模(估计\(r(x)\)),同时构建并验证EHR表型预测模型。
- 核心工具/方法:两步半参数方法——先做复合非参数回归(不依赖参数模型假设),再做参数投影(将非参数估计量投影到参数族上以降低方差),并辅以审核标签来校正替代结局的误分类。
- 主要结论:该方法在风险建模上达到\(\sqrt{n}\)收敛速度,对参数假设的违背具有稳健性;在模拟研究中优于现有方法;在2型糖尿病的表型与遗传风险建模实际应用中验证了有效性。
关键设定与假设¶
在第二节最小记号的基础上,补全完整设定:
- 条件独立假设(核心识别条件):\(S_1, \ldots, S_K\)在给定\((Y, X)\)下相互独立。这是无监督可识别性的基石,类似潜在类别模型的局部独立性。相比已有文献,本文允许\(\pi_j(x)\)和\(\psi_j(x)\)随\(x\)变化(即替代结局的误分类率可以依赖协变量),这比传统潜在类别模型更灵活。
- 审核标签的误差结构:\(L\)在给定\((Y, X)\)下独立于所有\(S_j\),且\(\alpha(x), \beta(x)\)允许不等于\(\pi_j(x), \psi_j(x)\)——即审核标签可以比EHR替代结局更准(但不要求是金标准)。这比"审核标签无误差"的假设更弱。
- 缺失机制:\(L\)的缺失为随机缺失(MAR),给定\(X\)下缺失与\((Y, S_j)\)独立。这是标准假设,但实际中可能被违反(如医生更倾向于对复杂病例做图表审核)。
- 参数族假设(仅用于投影步骤):\(r(x)\)被投影到某个参数族\(\{r_\theta(x)\}\)上。作者强调这个假设不是识别所必需的——即使参数族错误,估计量仍然一致(收敛到\(L_2\)投影),只是效率可能不是最优。这是"robust to violations of parametric assumptions"的技术含义。
- 正则条件:非参数回归步骤需要核函数、带宽等标准正则条件;参数投影步骤需要参数族的可辨识性和光滑性。
相比已有文献的放宽/强化: - 放宽:不要求审核标签是金标准(允许有误);不要求替代结局的误分类率恒定(允许依赖\(x\));不要求参数模型正确。 - 强化:需要至少\(K \geq 3\)个替代结局(或\(K=2\)且有审核标签)来保证可识别性;需要条件独立假设——这在实践中可能被违反(如两个EHR编码系统共享同一个错误的诊断)。
主要结果¶
理论结果(基于摘要和引言推断,论文应有以下定理):
- 可识别性定理:在条件独立假设和\(K \geq 3\)(或\(K=2\)且有\(L\))下,\(r(x)\)、\(\pi_j(x)\)、\(\psi_j(x)\)是非参数可识别的。
- 一致性定理:两步估计量\(\hat{r}(x)\)依概率收敛到\(r(x)\)(或其在参数族上的\(L_2\)投影),收敛速度在非参数部分为\(n^{-2/(d+4)}\)(核回归的标准速率)。
- 渐近正态性定理:参数投影步骤后的估计量\(\hat{\theta}\)满足\(\sqrt{n}(\hat{\theta} - \theta^*) \xrightarrow{d} N(0, V)\),其中\(\theta^*\)是\(r(x)\)在参数族上的\(L_2\)投影,\(V\)是半参数效率界对应的渐近方差。
- 效率比较:投影步骤后的估计量比纯非参数估计量有更小的渐近方差,且当参数族正确时达到半参数效率界。
模拟结果:论文声称"outperforms existing methods in extensive simulation studies"。具体应包含: - 与忽略误分类的朴素方法(直接把\(S_1\)当\(Y\))对比,展示偏差的显著降低。 - 与参数潜在类别模型对比,展示在模型误设定下的稳健性优势。 - 改变\(K\)、\(m/n\)比例、误分类率等参数,展示方法的敏感性。
真实数据应用:2型糖尿病(T2D)的表型与遗传风险建模。具体做法可能是: - 用多个EHR替代结局(如T2D诊断代码、降糖药处方、HbA1c异常)和少量图表审核标签。 - 估计\(r(x)\)作为遗传风险评分(如多基因风险评分PRS)的函数。 - 构建EHR表型分类器并评估其灵敏度、特异度、AUC。 - 与仅用单一替代结局或忽略误分类的方法对比,展示风险估计的差异。
证明路线与技术技巧¶
整体路线(3-5步逻辑主干):
- 识别:利用条件独立假设,写出观测数据的似然。通过\(K \geq 3\)个替代结局的联合分布,证明\((r(x), \pi_j(x), \psi_j(x))\)是唯一可识别的。关键技巧是矩方程:\(E[S_j \mid X=x]\)和\(E[S_j S_k \mid X=x]\)提供了足够的方程来解出未知参数。
- 第一步估计(复合非参数回归):构造一个"伪结局"\(T = \sum_j w_j S_j\)(权重\(w_j\)可以是常数或由审核标签估计),然后用核回归或局部似然估计\(E[T \mid X=x]\)。这一步的关键是偏差校正:由于\(S_j\)有误分类,\(E[T \mid X=x]\)不等于\(r(x)\),但通过选择合适的权重\(w_j\)(使得\(\sum_j w_j \pi_j(x) = 1\)且\(\sum_j w_j \psi_j(x) = 0\)),可以构造一个无偏的"伪结局"。这个权重可以通过审核标签子样本估计。
- 第二步估计(参数投影):将\(\hat{r}_{NP}(x)\)投影到参数族\(\{r_\theta(x)\}\)上,即最小化\(\sum_i (\hat{r}_{NP}(X_i) - r_\theta(X_i))^2\)。这一步的关键是投影不改变一致性:即使\(\hat{r}_{NP}\)收敛慢,投影后的\(\hat{\theta}\)仍然\(\sqrt{n}\)收敛,因为投影是一个"平滑"操作。
- 渐近分析:用经验过程理论(empirical process theory)处理非参数估计量\(\hat{r}_{NP}\)的渐近性质,用Delta方法处理投影步骤。关键引理是证明\(\hat{r}_{NP}\)的偏差项是\(o_p(n^{-1/2})\)(通过选择合适的带宽),而方差项在投影后被"平均掉"。
关键技巧点名: - 矩方程/估计方程:用于识别和构造伪结局。 - 核回归/局部似然:用于非参数步骤。 - 经验过程理论:用于处理非参数估计量的渐近性质,特别是处理\(d\)维协变量时的收敛速度。 - Delta方法:用于从非参数估计量到参数投影的渐近传递。 - 交叉验证:可能用于选择带宽和权重\(w_j\)。
技术难点: - 可识别性的证明:需要处理\(K\)个替代结局的联合分布中参数的非线性依赖,可能需要用到代数几何或复分析的工具。 - 偏差校正:权重\(w_j\)的估计误差会传播到最终估计量,需要仔细控制。 - 带宽选择:非参数步骤的带宽需要满足"偏差\(o_p(n^{-1/2})\)"的条件,这在高维时可能很苛刻。
真实例子与应用¶
数据:某生物样本库(如UK Biobank或eMERGE网络)的EHR数据,包含: - \(X\):遗传风险评分(PRS)、年龄、性别、BMI等。 - \(S_1, \ldots, S_K\):T2D的多个EHR代理(如ICD-9/10编码250.x/E11.x、降糖药处方、HbA1c>6.5%)。 - \(L\):约5-10%样本的图表审核标签。
方法应用: 1. 用全部\(n\)个样本估计\(E[T \mid X=x]\)(非参数步骤)。 2. 用\(m\)个有\(L\)的样本估计权重\(w_j\)(使得伪结局无偏)。 3. 将\(\hat{r}_{NP}(x)\)投影到逻辑斯蒂模型\(r_\theta(x) = \text{logit}^{-1}(\theta_0 + \theta_1 \text{PRS} + \theta_2 \text{Age} + \ldots)\)上。 4. 用\(\hat{\theta}\)估计PRS的遗传风险效应(如每增加一个标准差的风险比)。
结果(论文声称): - 与朴素方法(直接用\(S_1\)当\(Y\))相比,\(\hat{\theta}\)的偏差显著减小(如PRS的效应估计从1.15降到1.08,更接近真实值)。 - 与参数潜在类别模型相比,在模型误设定下(如替代结局的条件独立被违反),本文方法更稳健。 - 表型分类器的AUC约为0.85-0.90,优于单一替代结局的0.75-0.80。
这个例子想说明什么:①无监督方法可以在没有金标准标签的情况下进行风险建模;②半参数两步法在保持稳健性的同时达到\(\sqrt{n}\)收敛;③在实际EHR数据中,忽略误分类会导致有意义的偏差(如遗传效应被高估)。
🔎 结论是否比证明窄¶
需要仔细检查的地方: - "robust to violations of parametric assumptions":论文严格证明的可能是"当参数族错误时,\(\hat{\theta}\)收敛到\(L_2\)投影",但这是否意味着"对参数族的选择不敏感"?如果\(r(x)\)远离参数族(如高度非线性),投影后的估计量可能严重有偏——论文可能没有充分讨论这一点。 - 可识别性的条件:论文可能证明了在\(K \geq 3\)且条件独立下可识别,但条件独立本身是一个强假设。如果替代结局共享同一个偏倚来源(如两个编码系统都漏诊了早期T2D),条件独立被违反,可识别性可能崩溃——论文可能没有充分讨论这个敏感性。 - \(\sqrt{n}\)收敛的适用范围:论文可能证明了在参数族正确时\(\hat{\theta}\)达到\(\sqrt{n}\)收敛,但非参数步骤的带宽选择可能依赖于未知的平滑性条件——实际中这些条件可能难以验证。 - 审核标签的利用:论文可能假设审核标签的误差结构(\(\alpha(x), \beta(x)\))与替代结局的误差结构(\(\pi_j(x), \psi_j(x)\))不同,但实际中审核标签可能比替代结局更准但并非无偏——论文可能没有充分讨论审核标签本身有偏时的后果。
四、开放问题¶
-
条件独立假设的检验与放松:论文的核心识别假设是\(S_j\)在给定\((Y,X)\)下条件独立。这个假设可以被检验吗?如果被违反(如两个EHR编码系统共享偏倚),估计量会偏多少?能否引入部分依赖结构(如因子分析或copula模型)来放松?——扎根于论文的"条件独立假设"(第二节核心假设)。
-
参数投影的偏差-方差权衡:论文证明了投影步骤降低方差,但当参数族错误时,投影引入的偏差有多大?能否构造数据驱动的参数族选择准则(如交叉验证选择投影维度)?——扎根于论文的"robust to violations of parametric assumptions"声明(第三节主要结果)。
-
审核标签的误差结构识别:论文允许审核标签有误,但需要\(\alpha(x), \beta(x)\)与\(\pi_j(x), \psi_j(x)\)不同。如果审核标签的误差结构与替代结局相同(即审核标签并不比EHR更准),可识别性是否还能保证?——扎根于论文对审核标签的建模假设(第三节关键设定)。
-
高维协变量下的扩展:论文的非参数步骤在\(d\)维协变量下可能面临维度灾难。能否用稀疏假设或可加结构来扩展?——扎根于论文的"root-n convergence"声明(第三节主要结果),但未讨论高维情形。
-
纵向设定下的扩展:EHR数据通常是纵向的(多次就诊记录)。能否利用纵向结构来放松条件独立假设或提高效率?——扎根于论文的"longitudinal"未提及(引言中未讨论)。
提醒:要确认上述哪条是真gap,建议去读EHR表型分类和测量误差交叉领域的近期约5篇论文的引言——如果多篇都指向同一个问题(如条件独立假设的脆弱性),那很可能是共识性gap;如果各篇提出的方向互相打架,那可能是机会更大的未定论问题。
Maintained by 陈星宇 · Homepage · Source on GitHub