基于机器学习的可解释性风险预测模型：实现地中海贫血早期分类与基因分型的智能诊断

本研究针对地中海贫血传统诊断依赖专业设备和技术人员的痛点，开发了基于CatBoost算法的机器学习模型，通过分析常规血液参数（RBC、HGB、MCV等）实现疾病识别和α/β基因分型。模型在31,311人的多中心队列中验证准确率达85.22%，外部验证平均准确率81.65%，显著优于现有判别公式。研究构建的在线平台（https://prediction-model-for-thalassemia.streamlit.app/）为资源有限地区提供了低成本筛查工具，相关成果发表于《npj Digital Medicine》。

　　

地中海贫血作为全球最常见的单基因遗传病之一，每年导致数万新生儿死亡，尤其在东南亚和我国两广地区高发。传统诊断依赖基因检测和专业人员判读，但高昂成本和技术门槛使基层医疗机构难以开展大规模筛查。面对这一困境，广东省人民医院联合南方医科大学南方医院等机构的研究团队，创新性地将机器学习与常规血检指标结合，开发出可同时实现疾病筛查和基因分型的智能系统，相关成果发表于《npj Digital Medicine》。

研究团队采用前瞻性多中心队列设计，收集了2016-2024年间31,311例患者的10项临床特征（包括年龄、性别及8项血液参数）。通过SMOTE算法解决数据不平衡问题后，对比了8种机器学习模型性能。最终CatBoost模型在识别地中海贫血时AUC达0.86，α/β分型AUC 0.8420，并构建了首个开放访问的在线诊断平台。

主要技术方法

1. 多中心队列构建：纳入广东、广西、海南4家医院数据，标准化检测流程（Unicel DxH 800/Sysmex XN-9000分析仪）
2. 特征工程：将RDW-SD统一计算为MCV*RDW-CV/100，性别数值化处理
3. 模型优化：采用Grid-SearchCV进行超参数调优，5折交叉验证
4. 可解释性分析：SHAP算法解析MCH、MCV等关键决策特征

研究结果

Patient characteristics
训练队列中12,043例地中海贫血患者（α型7,642例，β型4,401例）与19,268例对照显示显著血液参数差异（P<0.001）。外部验证队列3因年龄较大（44 vs 33岁）和更低HGB（84 vs 112 g/L）成为模型鲁棒性测试的关键组。

Model comparison and external validation
CatBoost在原始数据中准确率83.24%，经SMOTE提升至85.22%。外部验证平均准确率81.65%，其中GDPH队列达83.6%。α/β分型任务中，模型准确率从80.49%提升至84.89%，仅GGPH队列因样本不足略低于80%。

Comparison of the optimal model and existing discrimination formulas
相较于SCSBTT等传统判别公式，CatBoost实现最佳平衡（灵敏度70%/特异度90%）。部分公式如RDW*MCV/RBC出现完全假阴性，证实机器学习模型的临床优越性。

Optimal model evaluation and interpretation
SHAP分析揭示：

• 疾病识别：MCH（决策阈值26-27 pg）和RDW-SD（10.8-11.9 fl）为主导特征
• 基因分型：MCV（65-75 fl）和MCHC（301-330 g/L）起决定性作用
  校准曲线显示预测风险与实际风险高度一致，DCA证实模型在0.49-0.92概率阈值具临床净收益。

Online platform for clinical application
平台整合模型权重文件，用户输入10项血检参数即可获得疾病风险及基因型预测，操作界面如图：

结论与意义
该研究首次构建了基于常规血检的机器学习辅助诊断体系，其创新性体现在：

1. 临床实用性：仅需CBC指标即可实现85%以上准确率，较基因检测成本降低90%
2. 技术突破：通过SHAP算法揭示MCH<26 pg和MCV<75 fl的决策阈值，与临床指南相符
3. 普惠价值：在线平台使基层医院也能开展专业级筛查，助力WHO消除遗传病战略
   局限在于当前模型主要基于中国人群数据，未来需纳入更多族裔验证。研究者建议将MCH和MCV阈值纳入新版筛查指南，并探索与其他血液病鉴别诊断的整合应用。