基于LightGBM与双遗传算法的无实验室指标三分类糖尿病筛查混合机器学习模型

《Array》：A hybrid machine learning model based on LightGBM and a genetic algorithm for diagnosing diabetes

　　

糖尿病（diabetes mellitus, DM）是最常见的慢性疾病之一，早期发现有助于预防心血管、肾脏和视网膜并发症。研究人员处理健康、糖尿病前期和糖尿病患者的三分类任务，输入为13个人口学、人体测量学和症状变量，这些变量无需实验室检查即可采集；数据来自某内分泌中心13,053例患者的匿名记录，其中2.40%的单元格缺失。研究人员将LightGBM与两个独立的遗传算法（genetic algorithm, GA）结合。GA-1以无标签适应度（人工隐藏单元格上的重构误差）调优LightGBM插补模型，使学习到的规则可应用于新患者。GA-2在验证子集上调优LightGBM分类器的9个超参数，并对5个精英配置的预测取平均。该流程在2,611例患者的锁定测试集和嵌套5 × 5重复交叉验证中测试，每一步均在训练折内拟合。在测试集上，LightGBM + GA达到准确率0.9345（95% CI 0.9245–0.9441）和宏平均F1-score（macro F1-score）0.9325，而默认LightGBM为0.9284和0.9263。优化模型达到0.9306 ± 0.0047的准确率，优于默认LightGBM，并与随机/贝叶斯调优相当。GA-1插补取得最低Gower误差（0.302）。SHAP（SHapley Additive exPlanations）识别年龄、MI、血压、行走困难、总体健康和家族史为关键预测因子。该模型是低成本实验室前筛查的候选方法，尚待外部验证。

论文解读：Shokhrukh Sariyev等针对糖尿病早期识别中实验室指标依赖、三分类研究不足及数据泄漏导致性能虚高等问题开展研究。糖尿病患病率持续上升，未及时识别可导致心血管、肾脏、神经和视网膜等并发症；已有机器学习研究多集中于健康与糖尿病的二分类，且常在全体数据上完成插补、缩放和超参数搜索，易高估性能。该研究旨在利用首次就诊即可获得、无需实验室检查的13个变量，区分健康、糖尿病前期和糖尿病，并通过无泄漏流程评估混合模型。研究人员基于单中心13,053例匿名记录构建流程，采用锁定测试集和嵌套5 × 5重复交叉验证，比较多种模型，提出LightGBM + GA混合框架，并分析模型依赖的预测因子。研究结论提示，该模型在未见患者中准确率约0.93，较默认LightGBM有小幅但可重复提升，预测概率改善更明显；其意义在于为低成本实验室前筛查和转诊优先级提供候选工具，但需外部验证和重校准。
关键技术方法概括（≤250字）：研究使用Samarkand branch of the Republican Specialized Scientific and Practical Medical Center of Endocrinology named after Academician Yo.Kh. Turaqulov的13,053例匿名记录，连续抽样，三分类标签由内分泌科医生确认。关键技术包括：GA-1以无标签Gower重构误差调优LightGBM插补模型；GA-2以验证集多类log-loss调优9个超参数并平均5个精英配置；采用锁定20%测试集与嵌套5 × 5重复交叉验证，所有学习步骤仅在开发数据拟合；使用SHAP、2 × 2消融、缺失率压力测试及校正重采样t检验、Wilcoxon、Holm、McNemar和Friedman检验进行解释与统计比较；并与随机搜索、贝叶斯优化（TPE）及XGBoost、CatBoost比较。
研究结果：
3.1 研究数据集：通过整理某内分泌中心13,053例匿名记录，使用13个无需实验室检查的变量，按A1C（糖化血红蛋白）、FPG（空腹血糖）、OGTT（口服葡萄糖耐量试验）等标准定义三分类，类别接近平衡，未使用重采样。
3.2 无泄漏流程与验证：通过锁定测试集和嵌套重复交叉验证，将插补、超参数搜索和模型拟合均置于开发数据内；步骤顺序敏感性分析显示两种顺序在外折测试中差异可忽略。
3.3 重复记录识别与删除：通过全记录两两比较删除完全重复记录，以降低过拟合和性能虚高。
3.4 分类特征编码：将二值名义变量编码为0/1指示变量；线性和SVM模型使用仅由训练部分估计的z-score标准化，树模型使用未标准化编码。
3.5 GA-1无标签缺失插补：通过以人工隐藏单元格Gower误差为适应度调优LightGBM插补模型，GA-1取得最低重构误差0.3015；但在2.40%缺失率下，各插补方法对分类影响很小。
3.6 机器学习模型诊断：通过比较逻辑回归、SVM、决策树、随机森林、LightGBM、XGBoost和CatBoost，默认LightGBM在重复交叉验证中准确率0.9265，被选为基础模型。
3.7 LightGBM集成模型检测：通过多分类softmax、叶级增长和正则化构建LightGBM；默认模型测试准确率0.9284，错误主要发生在相邻类别，糖尿病前期召回最低。
3.8 GA-2超参数优化：通过验证集多类log-loss调优9个超参数并平均5个精英配置，测试集准确率0.9345、宏平均F1-score 0.9325，log-loss由0.1820降至0.1677，Brier score由0.1041降至0.0974。
3.9 重复嵌套交叉验证与统计显著性：在25个外折中，提出模型准确率0.9306 ± 0.0047，较默认LightGBM提高0.41个百分点（22/25折更优），log-loss显著降低；与随机搜索和贝叶斯调优差异很小。
3.10 两个GA组件贡献消融：通过2 × 2因子消融得出，分类提升主要来自GA-2；GA-1主要提升缺失值重构质量，对当前低缺失率数据的分类贡献有限。
3.11 与随机搜索和贝叶斯优化比较及计算成本：在相同评估预算下，GA-2验证log-loss为0.1706，TPE为0.1709，随机搜索为0.1719；外折测试准确率相近。GA-2每折搜索约372 s，训练最终模型3.2 s，1000例新记录插补和分类0.21 s。
3.12 类特异性性能与不确定性：通过测试集分类指标得出，健康、糖尿病前期和糖尿病召回分别为0.9610、0.8682和0.9672；糖尿病NPV（negative predictive value，阴性预测值）为0.9830，健康/糖尿病混淆极少。
3.13 模型学习内容：通过SHAP分析得出，年龄、BMI（body mass index，体重指数）、血压、行走困难、总体健康和糖尿病家族史最重要；5个症状变量占总平均绝对SHAP值19%，去掉后提出模型交叉验证准确率由0.9306降至0.9141。
3.14 高缺失率插补稳健性：通过额外隐藏10%—30%单元格的压力测试得出，GA-1在各缺失水平重构误差最低；当分类器需要完整输入时，插补方法影响增大。
讨论部分总结：该研究在无泄漏条件下显示所提模型对未见患者准确率约0.93，预测概率校准相关指标改善；增益主要来自GA-2超参数调优，精英平均降低对单一配置依赖但未进一步显著提高准确率；GA-1是最准确的插补器并可作为归纳规则用于新患者，但在原始低缺失率数据中对分类影响小；GA-2与随机搜索和贝叶斯优化在相同预算下找到相近质量配置，不能声称遗传算法本质优于贝叶斯优化。模型主要依赖年龄、BMI、血压、行走困难、总体健康和家族史，症状变量增加约1.65个百分点准确率；糖尿病前期仍最难。局限性包括单中心、类别分布反映内分泌中心而非一般人群、横断面设计、部分自报输入、缺失完全随机压力测试及训练阶段额外计算成本；临床使用前需外部、最好前瞻性验证和重校准。
研究结论翻译：该研究设计了一种混合方法，用遗传算法改进LightGBM集成模型，以13个无需实验室检查的变量对健康、糖尿病前期和糖尿病患者进行三分类筛查。该方法使用两个独立遗传算法：GA-1调优无标签LightGBM插补模型以填补缺失值并可应用于新患者；GA-2在验证子集上调优LightGBM分类器的9个超参数并平均精英配置。整个流程在2,611例患者的锁定测试集和嵌套5 × 5重复交叉验证中无数据泄漏地评估。在测试集上，模型准确率为0.9345（95% CI 0.9245–0.9441），宏平均F1-score为0.9325；交叉验证中准确率为0.9306 ± 0.0047，宏平均F1-score为0.9291 ± 0.0047，在10个比较模型中最佳。与默认LightGBM相比，准确率提高0.41个百分点（25折中22折更优），预测概率明显改善（log-loss 0.188对0.173，p < 0.001）。GA-1在测试插补器中重构误差最低（0.3015对MICE的0.3108），而在观察到的2.4%缺失率下插补方法对分类影响很小。相同预算下，GA-2的测试结果与随机搜索和贝叶斯优化接近。年龄、BMI和血压是最重要预测因子，且模型在去掉症状变量后仍保留大部分准确率，这与其作为候选低成本实验室前筛查工具的预期用途一致。研究的科学新颖性在于无泄漏混合架构，其中每个遗传算法与LightGBM协同解决各自清晰分离的目标，并通过评估协议显示提升幅度及来源。因此，该模型应被视为优先转诊至实验室检测的候选筛查方法；在用于临床决策支持前，仍需在其他中心开展外部、最好前瞻性验证，并针对目标人群重校准。