编辑推荐：
为解决个性化医疗中高维健康数据可视化及非线性关系建模难题，研究人员开发深度学习健康空间（HS）模型，包含 4 种二元深度神经网络（DNN）和 1 种深度有序神经网络（DONN）。经多队列验证，DONN 模型在区分健康状态中表现最佳，为精准健康可视化提供新工具。
在精准医疗时代，海量高维健康数据如电子健康记录（EHRs）、多组学数据的涌现，为个性化健康管理带来机遇的同时，也面临如何直观展示个体健康状态的挑战。传统统计方法如主成分分析（PCA）虽能降维，但生成的轴往往缺乏生物学意义，难以揭示氧化应激、代谢应激等关键生理过程与健康的关联。而基于比例优势模型（POM）的健康空间（HS）模型虽能通过氧化、代谢等生物学轴可视化健康状态，却受限于线性假设，无法捕捉复杂非线性生物关系。在此背景下，首尔国立大学的研究人员开展了深度学习 HS 模型的研究，相关成果发表于《BMC Medical Informatics and Decision Making》，为突破传统模型瓶颈提供了新方向。
研究团队开发了 5 种深度学习 HS 模型，包括 4 种用于二元结局的标准深度神经网络（DNN）和 1 种保留因变量有序性的深度有序神经网络（DONN）。研究采用韩国国民健康与营养检查调查（KNHANES，32,140 样本）进行训练，并利用梨花博拉梅队列（862 样本）和韩国协会资源（KARE）项目（3,199 样本）进行外部验证。关键技术方法包括：将健康状态划分为 4 个有序组别（0 = 健康，1=1 个代谢风险因素，2=2 个代谢风险因素，3 = 代谢综合征或氧化应激相关疾病）；基于氧化应激（年龄、白细胞计数等 5 个变量）和代谢应激（BMI、甘油三酯等 6 个变量）构建双轴 HS 模型；通过健康空间指数（HSI）、轮廓系数、Calinski-Harabasz 指数等评估模型性能，其中 HSI 通过置信椭圆和 Jaccard 指数衡量组间分离度。
深度学习 HS 模型性能优于传统统计模型
在 KNHANES 训练数据中，DONN 模型的平均 HSI 达 0.74，显著高于 POM 模型的 0.43 及其他 DNN 模型（0.45-0.58）。 Bootstrap 分析显示，DONN 的 95% 置信区间（0.710-0.765）与其他模型无重叠，稳定性突出。可视化结果表明，DONN 能更清晰地将健康组（0）与疾病组（3）分布于二维空间的左下和右上区域，中间风险组（1、2）呈梯度分布，体现了有序响应的优势。
外部验证证实 DONN 的泛化能力
在梨花博拉梅队列和 KARE 数据中，DONN 的 HSI 分别为 0.53 和 0.41，均排名第一。聚类指标方面，其轮廓系数在梨花博拉梅队列为 - 0.08（最高），Calinski-Harabasz 指数为 487.60（最高）， Davies-Bouldin 指数为 2.41（最低），显示出最佳的组间分离度和聚类紧凑性。相比之下，传统 POM 模型在多数指标中排名第二，而二元 DNN 模型因忽略有序性导致性能波动。
深度学习为健康可视化注入新动力
研究表明，DONN 通过保留健康状态的有序信息并建模非线性关系，显著提升了 HS 模型的区分能力。尽管深度学习模型存在可解释性不足、依赖特定人群数据等局限，但其在捕捉复杂生物模式方面的优势，为动态监测健康轨迹、评估干预效果奠定了基础。例如，通过跟踪个体在 HS 空间中的位置变化，可预测疾病风险或优化个性化治疗方案。未来，结合可解释 AI（XAI）技术和更多生物学轴（如炎症）的扩展，有望进一步推动 HS 模型在临床决策中的应用，助力实现 “数据驱动” 的精准健康管理。
这项研究突破了传统统计模型的线性限制，证明深度学习在高维健康数据可视化中的潜力，为个性化医疗中个体健康状态的客观评估提供了更强大的工具。随着多组学数据的积累和模型优化，HS 模型有望成为连接大数据与临床实践的关键桥梁，推动精准医学向更直观、更智能的方向发展。
