基于生物电阻抗分析（BIA）的机器学习算法在肥胖分级中的应用：多指标联合模型的构建与验证

本研究针对传统BMI在肥胖分类中的局限性，通过生物电阻抗分析（BIA）获取脂肪质量指数（FMI）、去脂质量指数（FFMI）等多元指标，采用随机森林等6种机器学习算法构建肥胖分级模型。结果显示随机森林模型准确率达84.2%（AUC-ROC 0.947），SHAP分析揭示FMI和FFMI为关键预测因子，为临床肥胖筛查提供了高精度、可解释的AI工具。

　　

肥胖已成为全球公共卫生危机，传统诊断依赖体质指数（BMI），但其无法区分脂肪与瘦体重，导致误判风险。生物电阻抗分析（BIA）虽能提供脂肪质量指数（FMI）、去脂质量指数（FFMI）等精细指标，但缺乏智能化分类工具。为此，Rodrigo Yá?ez-Sepúlveda团队在《Scientific Reports》发表研究，首次将机器学习与BIA结合，构建多指标肥胖分级系统。

研究采用5372名成人（18-50岁）的BIA数据，包括BMI、FMI、FFMI、骨骼肌指数（SMI）等指标。通过随机森林、梯度提升等6种算法建模，采用5折交叉验证和SHAP值解析特征重要性。关键发现包括：随机森林模型表现最优（F1-score 83.7%），显著优于支持向量机（60.96%）；FMI贡献度最高（SHAP +0.18），性别影响微弱；FFMI与BMI联合提升分类精度。

图1显示随机森林（红色曲线）在"极高脂肪"类别的AUC-ROC达0.96，显著优于其他模型。SHAP热图进一步验证FMI、FFMI与预测强度的剂量效应关系，而SMI贡献度仅为0.09，提示肌肉量对肥胖分类影响有限。

研究结论指出，基于BIA的机器学习模型突破BMI单一指标局限，FMI-FFMI组合可识别"正常体重肥胖"等特殊表型。临床意义在于：① 为社区筛查提供自动化工具；② SHAP解释性增强医患信任；③ 推动肥胖从BMI时代迈向多参数精准诊断。

局限性包括样本非概率抽样、缺乏纵向验证等。未来可整合代谢指标（如血脂）优化模型，但当前成果已为AI在慢性病管理的应用提供范式。