基于深度学习的糖尿病动脉僵硬度风险预测模型优化研究

针对糖尿病心血管风险预测中动脉僵硬度(AS)评估不足的问题，本研究提出融合蛙跳算法(FLA)优化的深度Kronecker神经网络(DKNN-FL)，通过LASSO-PCA特征筛选和baPWV/FBG标志物分析，实现98.7%准确率的AS风险分层，为糖尿病心血管并发症早期预警提供AI新范式。

　　

糖尿病作为全球增长最快的代谢性疾病，其心血管并发症是导致患者死亡的首要原因。动脉僵硬度(Arterial Stiffness, AS)作为连接糖尿病与心血管疾病(Cardiovascular Disease, CVD)的关键生物标志物，通过脉搏波传导速度(Pulse Wave Velocity, PWV)评估，但现有临床预测模型存在非线性关系捕捉不足、特异性差等问题。尤其令人担忧的是，糖尿病患者的baPWV（肱踝脉搏波传导速度）值超过1400 cm/s时，血管并发症风险显著增加，而传统Framingham风险评分等统计模型难以整合此类动态指标。

为解决这一临床痛点，研究人员开发了名为DKNN-FL的深度学习系统。该系统创新性地将蛙跳算法(Frog Leap Algorithm, FLA)与深度Kronecker神经网络(Deep Kronecker Neural Network, DKNN)相结合，在Dryad数据库的发现数据集上取得AUROC 0.989的卓越性能。研究首次证实，通过高斯LASSO猫优化算法(Gaussian LASSO Cat Optimization Algorithm, GLCOA)筛选的特征组合，配合主成分分析(PCA)基于马氏距离的离群值剔除，可显著提升AS风险分层精度。该成果发表于《Biomedical Signal Processing and Control》，为糖尿病心血管风险管理提供了可解释的AI决策工具。

关键技术包括：1）使用baPWV和FBG作为核心生物标志物；2）LASSO-PCA两级数据预处理流程；3）GLCOA特征选择算法；4）SMOTE过采样与交叉验证防止过拟合；5）FLA优化的DKNN分类架构。实验数据来自Dryad数字存储库的糖尿病患者队列。

【Related work】
现有研究表明，AS在糖尿病心血管事件中起核心作用。Li等学者曾尝试用支持向量机(SVM)分析AS风险因素，但传统机器学习对baPWV与FBG的复杂交互作用解析有限。

【Proposed system model】
模型采用三级架构：先通过PCA重建误差剔除异常值，再经GLCOA筛选出影响AS的12个关键特征，最终由DKNN-FL实现低/中/高三类风险预测。特别值得注意的是，FLA优化器使网络收敛速度提升40%。

【Experimental results】
在包含586例糖尿病患者的测试集上，模型准确率达98.7%，显著优于逻辑回归(82.3%)和随机森林(91.2%)。当应用于外部验证集时，仍保持95.8%的准确率，证明其强泛化能力。

【Conclusion】
该研究突破性地将优化算法与深度网络结合，首次实现糖尿病AS风险的精准量化。临床转化后，可帮助医生在baPWV<1400 cm/s的临界值前识别高危患者，为早期干预提供3-5年的预警窗口。未来研究将整合更多血管弹性指标，进一步完善预测体系。