基于SHAP值与MARS模型的糖尿病预测可解释性机器学习比较研究

本研究针对糖尿病预测模型的可解释性难题，采用SHAP（Shapley Additive exPlanations）值和MARS（Multivariate Adaptive Regression Splines）模型，对CDC大型数据集（70,692样本）进行多维度分析。通过对比6种传统机器学习模型，揭示了BMI、年龄、血压等关键特征对糖尿病风险的贡献度，模型准确率达74.9%。该研究为临床决策提供了透明化工具，推动XAI（可解释人工智能）在慢性病管理中的应用。

　　

糖尿病是全球公共卫生的重大挑战，据世界卫生组织统计，2022年糖尿病患者已达8.3亿人，其中14%为成年人。尽管机器学习(ML)在疾病预测领域取得进展，但传统"黑箱"模型缺乏临床可解释性，限制了其在医疗决策中的应用。如何让医生和患者理解模型预测逻辑，成为亟待解决的关键问题。

为应对这一挑战，研究人员利用美国CDC（疾病控制与预防中心）提供的70,692例糖尿病相关数据集，开展了一项开创性研究。该数据集包含BMI、血压、胆固醇等21项临床及社会经济特征。研究团队创新性地将多变量自适应回归样条(MARS)模型与SHAP（沙普利加性解释）值结合，系统比较了包括逻辑回归(LR)、随机森林(RF)等6种ML模型的性能，最终成果发表于《Healthcare Analytics》。

研究采用80%训练集和20%测试集的划分策略，通过特征归一化(-1至1范围)处理数据。关键技术包括：1) MARS模型构建（含1阶和2阶方程）；2) SHAP值计算与可视化；3) 传统ML模型（LR/DT/RF/SVM/KNN/GBM）性能对比；4) 特征重要性排序分析。所有模型均通过准确率、精确度等指标验证。

研究结果部分，MARS模型表现尤为突出：

1. 模型性能对比：MARS degree 1与degree 2模型均达到74.8%准确率，优于决策树(DT)的65.8%，与梯度提升机(GBM)的74.9%相当。
2. 关键特征识别：通过MARS方程解析，发现"总体健康评分(GenHlth)"、"高血压(HighBP)"、"年龄"、"BMI"和"高胆固醇(HighChol)"为前五大预测因子。例如，BMI的阈值效应显示：当实际BMI>35（标化值0）时，糖尿病风险输出值跃升至0.89。
3. SHAP解释性验证：瀑布图直观展示个体预测逻辑，如某病例中"优秀健康状态"(GenHlth=-1)贡献-0.2 SHAP值，而"高收入"(Income=+1)因负相关降低风险。
4. 临床一致性发现：模型证实已知医学规律，如适度饮酒(HvyAlcoholConsump=1)使风险降低17%（0.64→0.51），与流行病学研究相符。

讨论部分强调，该研究首次将MARS模型的可解释方程与SHAP的局部解释能力结合，突破传统ML模型的透明度瓶颈。例如，MARS degree 2方程中"Age*BMI"交互项（系数0.2471）量化了年龄与肥胖的协同效应，为个性化干预提供依据。值得注意的是，模型发现"自评健康"的主观指标预测力最强，这提示患者主观感受可能整合了未测量的生物学因素。

这项研究的临床意义在于：1) 为糖尿病筛查提供可视化决策工具；2) 证实社会经济因素（如低收入）与疾病的显著关联；3) 建立可解释AI(XAI)在慢性病管理的应用范式。未来工作将扩展至其他代谢性疾病，并整合更多生物标志物以提升预测精度。

（注：全文数据均源自原文，专业术语如Multivariate Adaptive Regression Splines(MARS)首次出现时均标注英文全称，模型性能指标如AUC-ROC等保留原文格式，特征名称如GenHlth严格遵循原文大小写。）