基于人工智能和DXA骨测量纵向数据的糖尿病风险预测研究

本研究针对糖尿病(DM)早期预测难题，创新性地利用双能X线吸收法(DXA)获取的骨健康参数，通过机器学习技术建立了糖尿病发病风险预测模型。研究人员整合了1,382名卡塔尔成年人的纵向DXA数据，采用SMOTE数据增强和随机森林(RF)等算法，发现腰椎(L1-L4)骨密度(BMD)、髋部骨矿含量(BMC)等指标与糖尿病显著相关(p<0.001)，模型准确率达91.08%，为糖尿病早期筛查提供了无创新方法。

　　

糖尿病已成为威胁全球健康的重大代谢性疾病，国际糖尿病联盟(IDF)数据显示，2021年全球患者已达5.37亿，其中90%为2型糖尿病(T2DM)。尽管传统风险因素如BMI和家族史已被充分研究，但骨骼系统作为新兴的内分泌器官，其与糖尿病的关联机制尚不明确。更棘手的是，现有研究关于糖尿病与骨密度(BMD)的关系存在矛盾结论——糖尿病患者虽表现出更高的BMD值，却伴随更易骨折的"骨脆性悖论"。这种临床矛盾使得开发新型预测工具变得尤为迫切。

为破解这一难题，哈马德·本·哈利法大学(Hamad Bin Khalifa University)的研究团队创新性地将人工智能技术与医学影像相结合。他们从卡塔尔生物库(QBB)获取了1,382名成年人(725名男性，657名女性)的纵向DXA扫描数据，涵盖脊柱、股骨等全身多部位骨参数。通过合成少数类过采样技术(SMOTE)解决数据不平衡问题后，研究团队应用随机森林(RF)、轻量梯度提升机(LightGBM)等5种机器学习算法，成功构建了糖尿病风险预测模型，相关成果发表在《Scientific Reports》期刊。

关键技术方法包括：1)从QBB获取1,382名25-84岁参与者的多部位DXA扫描数据；2)采用SMOTE和SMOTEENN算法进行数据增强；3)通过ANOVA方差分析筛选65个关键骨健康特征；4)构建包含RF、LightGBM等算法的比较研究框架；5)应用SHAP值解释模型预测机制。

AI-based DXA风险因素

研究发现糖尿病患者在髋部、股骨颈等部位的BMD和BMC显著升高(p≤0.001)，其中腰椎L1区域面积是最强预测因子。随机森林模型表现最优，准确率达91.08%，AUROC为96%。SHAP分析显示，L1-L4骨参数与糖尿病风险呈正相关，而较低的L1高度会提升模型预测性能。

临床风险因素

男性糖尿病发病率显著高于女性(146 vs 133例)。年龄和糖化血红蛋白(HbA1c)呈现明确剂量效应：40岁以上人群风险骤增，HbA1c>6%时骨骼参数异常更显著。卡塔尔本土居民占病例主体，提示地域特异性。

临床与DXA风险因素对比分析

年龄增长与腰椎宽度、转子区BMC升高同步变化，55岁后这种关联更显著。HbA1c水平与L1骨面积等指标存在阈值效应，超过6%时骨参数突变，揭示"骨-糖代谢"的复杂交互。

年龄组与模型性能

模型对20-40岁健康人群识别准确(91.07%召回率)，而对56-69岁糖尿病患者预测更精准(92.30%召回率)，证实骨参数预测存在年龄特异性。

这项研究开创性地证实了DXA骨参数可作为糖尿病预测的新型生物标志物。其重要意义在于：1)首次在阿拉伯人群建立骨-糖尿病关联的纵向证据；2)发现男性、高龄和高HbA1c者的"骨-糖代谢"耦合特征；3)为临床提供低成本、无创的筛查工具。尽管存在样本量和随访时间的限制，但研究提出的"AI+影像组学"范式，为代谢性疾病早期预警开辟了新途径。未来需在更多族群中验证这些骨性标志物的普适性，并深入探索骨骼内分泌调控糖代谢的分子机制。