《Computers》：Interpretable Stacked Machine Learning for Multiclass Nutritional Status Classification and Individualized Feature Profiling in Mexican Preschool Children
编辑推荐：
墨西哥儿童营养不良、超重与肥胖并存，但仅凭人体测量学分类无法刻画每个儿童营养表型所处的更广泛背景。研究人员利用2018–2023年墨西哥国家健康与营养调查（ENSANUT）中8268名72月龄以下儿童的数据，开发并评估了一个可解释机器学习框架，用于四分类营养状
墨西哥儿童营养不良、超重与肥胖并存，但仅凭人体测量学分类无法刻画每个儿童营养表型所处的更广泛背景。研究人员利用2018–2023年墨西哥国家健康与营养调查（ENSANUT）中8268名72月龄以下儿童的数据，开发并评估了一个可解释机器学习框架，用于四分类营养状况同步识别与个体化特征画像。营养状况依据世界卫生组织（WHO）身长/身高别体重标准判定。主要分析采用78个预测变量，包括儿童当前体重和身高，但排除体质指数（BMI）及人体测量衍生z评分；一项76预测变量的消融步骤在模型开发前移除了体重和身高。研究人员评估了多项逻辑回归、校准线性支持向量机（LinearSVC）、随机森林、极端梯度提升（XGBoost）、软投票及堆叠神经网络集成，采用防泄漏预处理、重复分层五折交叉验证、独立内部留出样本以及ENSANUT 2023作为后期调查波次评估。在内部留出样本中，XGBoost取得最高宏F1（0.736）和宏平均精确率（0.757），而堆叠集成取得最高平衡准确率（0.823）。在ENSANUT 2023中，XGBoost保持最高宏F1（0.680）和宏平均精确率（0.762），堆叠集成则取得最高宏AUC（0.977）。移除当前体重和身高后，所有模型性能显著下降，表明其高度依赖于界定结局的人体测量学指标。各算法的概率校准存在差异，堆叠集成在校准截距方面出现显著偏差。对完整集成的SHAP和重复LIME分析确认了当前人体测量学指标的主导贡献，同时识别出额外的背景性贡献。因此，该框架应被理解为一种基于人体测量学信息进行同步分类与特征画像的方法学概念验证，而非替代WHO生长标准或对未来营养状况的预测。临床使用前需进行外部和纵向验证。
论文解读
一、研究背景与问题
儿童营养不良、超重和肥胖在墨西哥同时存在，是重要的公共卫生挑战。近年来儿童超重率显著上升，而营养不良仍主要影响5岁以下儿童。儿童期超重与日后非传染性疾病风险增加相关，营养不良则可能对生长发育产生不利影响。因此，儿童早期营养评估应保留营养状况谱系中临床上有区别的类别，而非简化为二分类。
儿童营养状况是多因素决定的，反映饮食、行为、家庭、社会经济、围产期及早期生活特征之间的相互作用。膳食质量差、体力活动不足、睡眠不足、父母肥胖、喂养方式以及社会经济和家庭条件均与儿童营养结局相关。同一人体测量学营养状况类别下的儿童，其更广泛的个体背景可能存在显著差异，识别这些差异有助于提供更全面的营养表型描述，并支持更个体化的咨询。
WHO生长标准仍是幼儿营养状况分类的参考标准，不应被机器学习模型替代。然而，单纯的人体测量学分类无法描述伴随个体儿童营养表型的家庭、社会经济、饮食、喂养、睡眠、活动相关或其他背景特征。机器学习方法可整合这些领域的异质信息，在常规人体测量学评估基础上提供基于模型的背景特征画像。既往研究多聚焦于二分类肥胖结局、纵向预测、特定临床人群或与基于人群的学龄前调查差异较大的数据源。
本研究面临若干方法学挑战：缺失数据和显著类别不平衡可能影响性能估计；在训练分区外进行预处理可能引入信息泄漏；当向分类器提供用于定义参考结局的当前儿童体重和身高时，较强的判别能力可能部分反映对结局定义测量值的直接访问，而非背景预测变量的独立信息。因此，需要将包含当前体重和身高的性能与排除这些测量值后的性能分别解释。此外，可解释集成模型的价值取决于对完整模型的解释而非仅对单个组件分类器的解释，局部解释应评估跨重复扰动的可重复性。
二、研究目的
研究人员假设，一个整合人体测量学、人口学、社会经济、围产期、喂养、饮食、睡眠、体力活动、行为和家庭相关信息的可解释堆叠机器学习框架，能够对墨西哥婴幼儿和学龄前儿童进行同步多分类营养状况识别并生成个体化模型特征画像。研究旨在：利用2018–2023年ENSANUT重复横断面调查数据开发并评估堆叠集成；将神经堆叠与个体基学习器、软投票和梯度提升分类器进行比较；量化性能对当前儿童体重和身高的依赖程度；评估判别力、校准及对后期ENSANUT 2023调查波次的可迁移性；使用SHAP和重复LIME解释完整堆叠集成。
三、关键技术与方法
研究人员使用墨西哥国家健康与营养调查（ENSANUT）2018、2021、2022和2023年数据集，最终分析样本包括8268名72月龄以下儿童。营养状况依据WHO身长/身高别体重z评分分为四类：营养不良（z+2至+3 SD）和肥胖（>+3 SD）。主要预测配置包含78个预测变量，覆盖人口学、社会经济、地理、围产期、人体测量学、营养、喂养、睡眠、体力活动、行为和家庭相关领域；排除BMI、儿童人体测量z评分和计算能量变量。另设76预测变量的无人体测量学消融配置。缺失数据采用迭代链式方程填补（MICE式），在训练分区内拟合后应用于验证分区。模型开发采用重复分层五折交叉验证，评估多项逻辑回归、校准LinearSVC、随机森林、XGBoost、软投票及堆叠神经网络集成。ENSANUT 2023保留为独立后期波次评估样本。可解释性分析采用SHAP和重复LIME，针对完整堆叠集成。
四、研究结果
缺失数据评估与填补性能。 分析预测数据集总体缺失率为22.36%，Little MCAR检验显著（p<0.001），表明缺失模式不符合完全随机缺失机制。五种填补策略中，迭代随机森林方法重建误差最低（宏NRMSE 0.667，宏NMAE 0.432），但MICE式填补在下游分类中取得最高平均平衡准确率（0.771）和最低折间变异，综合表现最优，故被选定。
参与者特征。 正常体重儿童7592名（91.82%），营养不良120名（1.45%），超重378名（4.57%），肥胖178名（2.15%）。年龄、当前体重、身高、年龄别体重z评分和身长/身高别体重z评分在四组间均有差异（均p<0.001）。母亲体重、父亲年龄和父亲体重在组间有差异。性别分布存在差异（p=0.043）。母亲肥胖（p<0.001）和父亲肥胖（p=0.013）在组间有差异，喂养类型亦存在全局差异（Monte Carlo p=0.001）。
内部留出模型性能。 XGBoost取得最高总体准确率（0.9555）、宏精确率（0.7907）、宏F1（0.7357）和宏平均精确率（0.7568）。堆叠神经网络集成总体准确率较低（0.8757），但取得最高平衡准确率和宏召回率（均0.8228），反映其对四个营养状况类别更高的敏感性，代价是较低的宏精确率（0.5392）和更多假阳性。校准LinearSVC取得最高宏AUC（0.9641）但平衡准确率仅0.4148。随机森林表现最弱。类别特异性分析显示，XGBoost对营养不良的召回率仅0.524；堆叠集成对营养不良召回率0.857但精确率仅0.198。
重复交叉验证与超参数选择。 超参数选择未因从五折扩展至重复五折交叉验证（三次重复）而改变。XGBoost取得最高平均宏F1（0.6781±0.0499）。
后期波次可迁移性与自举不确定性。 ENSANUT 2023中，XGBoost保持最高宏F1（0.6803）和宏平均精确率（0.7624）。堆叠集成平衡准确率0.7753，宏AUC 0.9767。自举置信区间显示少数类别的性能估计仍不精确。
概率校准。 XGBoost校准斜率最接近理想值1，但校准截距仍存在系统性偏差。堆叠集成在校准截距方面出现显著偏差，系统低估正常体重类别概率并高估三个少数类别概率，其概率输出不应被解释为绝对类别概率的校准估计。
消融分析。 移除当前体重和身高后，所有模型性能大幅下降。内部留出样本中宏AUC从0.849–0.964降至0.598–0.643；ENSANUT 2023中XGBoost宏F1从0.680降至0.299。校准LinearSVC将所有参与者分类为正常体重。这表明高判别力主要依赖当前人体测量学测量值的直接访问。
可解释性发现。 SHAP分析显示当前体重和身高合计占正常体重分类总归因的59.52%、营养不良72.78%、超重53.94%、肥胖71.32%。排除体重和身高后的背景性归一化中，年龄是四类中最突出的剩余特征。重复LIME分析显示，当前身高在平均94.0%的重复中出现于前10特征，方向一致性极高（平均符号一致性0.997），但特征集稳定性中等（平均Jaccard相似度0.482），局部代理保真度变化较大（正常体重组平均仅0.028）。
五、讨论与结论
本研究的关键发现是：机器学习在此情境下的性能必须结合模型可用信息来解释，特别是当前人体测量学测量值与参考营养状况定义在概念和数学上的重叠程度。消融分析表明，人体测量学信息模型的强判别力在很大程度上源于对界定结局的测量值的直接访问，这限制了任何关于机器学习改善营养状况诊断能力的宣称。该框架的潜在临床价值不在于替代或自动化人体测量学分类，而在于在WHO生长标准确立营养状况后，突出可能值得进一步临床探索的背景特征，如父母人体测量学、喂养史、膳食组成、睡眠、体力活动和社会经济特征。
模型比较表明，在高度不平衡的多分类问题中，单一汇总指标不足以评估性能。堆叠集成与XGBoost和软投票的比较说明，更复杂的架构并不必然带来更大的临床实用性。概率校准与判别力是不同属性，类别加权可能改善少数类别敏感性但同时改变预测概率与观察频率的关系，因此模型概率输出不应被解释为绝对个体风险。缺失数据填补是处理部分观测多变量数据的必要手段，但无法消除系统性缺失可能引入的偏倚。ENSANUT 2023评估支持在ENSANUT情境内的短期可迁移性，但不构成纵向预测或外部临床验证。SHAP和重复LIME确认当前人体测量学的主导作用，同时识别类别和个体特异性的背景贡献，但两者均不建立因果效应或独立临床风险因素。
研究结论为：该框架应被理解为一种基于人体测量学信息进行同步分类与特征画像的方法学概念验证，而非替代WHO生长标准或对未来营养状况的预测。临床使用前需进行外部和纵向验证。
