基于生化生物标志物的深度学习框架，结合SHAP特征解释技术用于糖尿病分类

《Biophysical Chemistry》：Biochemical biomarker–Driven deep learning framework with SHAP-based feature interpretation for diabetes classification

糖尿病早期预测研究提出融合深度神经网络与特征选择算法的创新框架，通过Pearson相关系数、增益比率、ReliefF三种方法进行特征排序并采用主成分分析降维，结合SHAP值提升模型可解释性，10折交叉验证平均准确率达95.72%，显著优于传统机器学习及现有基准模型，验证了多维度特征工程与可解释性分析在糖尿病预测中的协同增效作用。

　　

萨尔曼·汗

沙特阿拉伯利雅得国王沙特大学计算机与信息科学学院计算机科学系，邮编11451

摘要

糖尿病是一种长期的代谢性疾病，当身体无法有效产生胰岛素或无法正确利用胰岛素时就会发病。患者通常会经历一个临床阶段：从正常的葡萄糖调节状态开始，逐渐发展为糖尿病前期，最终可能发展为2型糖尿病。全球糖尿病病例的持续增加主要与久坐的生活方式、不健康的饮食模式以及广泛的环境压力有关，这迫切需要诊断方法来实现早期发现并减少对肾脏、眼睛、心脏等重要器官的严重并发症的风险。在这项研究中，我们提出了一个预测模型，该模型结合了深度神经网络、特征排序和统计算法，以提高糖尿病的早期识别能力。为了增强模型的可解释性，我们应用了Shapley加性解释（SHAP）来识别对预测结果影响最大的特征。通过使用10折交叉验证的广泛实验，所提出的方法平均准确率达到95.72%，明显优于传统的机器学习模型和几种最近的基准方法。研究结果强调了早期筛查的重要性，并突出了更广泛的社会经济因素（包括城市化、饮食变化和医疗保健可及性的差异）在制定有效的糖尿病预防和管理策略中的作用。

引言

糖尿病是全球最紧迫的健康挑战之一，显著增加了发病率、死亡率并降低了生活质量[1]。国际糖尿病联合会报告称，2021年有超过5.36亿20-79岁的成年人患有糖尿病，预计到2045年这一数字将上升到7.83亿。这种惊人的增长主要由人口老龄化、城市化和久坐的生活方式所驱动。除了健康负担外，糖尿病还因其长期并发症而带来巨大的经济和社会成本。从临床角度来看，糖尿病是一种慢性代谢紊乱，其特征是由于胰岛素分泌受损、胰岛素作用受损或两者兼有而导致的持续高血糖。长期暴露于高血糖水平会损害重要器官和系统，导致眼睛、肾脏、神经、心脏和血管的渐进性并发症[2]。在两种主要类型的糖尿病中，2型糖尿病（T2DM）占全球病例的近95%[3]。从健康状态到2型糖尿病（T2DM）的转变通常经历三个阶段：健康状态、糖尿病前期和糖尿病。重要的是，虽然一旦确诊这种疾病很难逆转，但处于糖尿病前期的人通过早期干预和生活方式改变往往可以恢复标准的血糖控制。这突显了及时检测和预防措施的重要性，以减少并发症并改善预后[4],[5],[6]。

近年来，研究人员越来越多地采用计算和数据驱动的方法来预测糖尿病的发作和评估风险[7],[8],[9]。传统的统计模型奠定了基础，但常常难以处理非线性和复杂的数据集。最近，机器学习和深度学习方法在从临床和体检数据中识别隐藏模式和风险因素方面表现出更优越的性能[10],[11]。例如，在[12]中，比较了多种机器学习模型用于糖尿病检测，随机森林（Random Forest）的准确率最高，达到了82.26%。在[13]中，一个深度学习模型结合了Bi-LSTM、混合k-means sailfish优化特征选择器和SMOTE过采样技术来处理类别不平衡问题，并提高了基于物联网（IoT）的糖尿病预测的实时性。在[14]中，使用了集成方法（如XGBoost、SVM和ANN）来预测患者的再次住院情况，从而优化了梯度下降算法。结合PseKNC、PCA和DNN的混合技术[15]以及K-Means++与Boruta特征选择[16]专注于强大的特征提取和聚类。为了解决数据不平衡问题，[17]提出了SMOTE–ENN混合模型，而[18]使用了基于注意力的GRUs和IoT传感器进行早期异常检测。一个结合了逻辑回归（LR）、决策树（DT）、随机森林（RF）和梯度提升（GradBoost）的超学习器集成，并以SVM作为元模型，提高了多个数据集的预测性能[19]。使用CNN进行深度特征提取并结合R-LSTM进行葡萄糖预测[20]进一步提高了准确率。基于ANN的分类器[21]在保持性能的同时缩短了训练时间。一个可解释的SHAP-XGB模型[22]增强了糖尿病诊断的可解释性，而基于MLP的DNN[23]在MUCHD数据集上展示了高效的早期预测能力。最后，基于PSO的特征选择[24]确定了DT、RF和朴素贝叶斯（Na?ve Bayes）作为最准确的分类器，具有最低的错误率。最近，Ifra等人[25]提出了两个集成深度学习模型，Hi-Le（Highway和LeNet的混合模型）和HiTCLe（结合Highway、LeNet和TCN的模型），用于使用高度不平衡的DPD数据集进行早期糖尿病预测。通过应用ProWSyn过采样技术和基于SHAP的特征解释，他们的模型准确率达到了94%，F1分数达到了96%，优于单个模型，并通过K折交叉验证验证了其稳健的性能。尽管取得了这些进展，但在开发强大且可泛化的预测系统方面仍存在挑战，这些系统能够支持早期诊断、指导干预措施，并最终减轻糖尿病及其并发症的负担。

在这项研究中，我们提出了Deep-Diabetes，这是一个基于深度学习的计算框架，旨在提高糖尿病的早期检测能力。我们的方法结合了三种不同的排序算法——皮尔逊相关系数（Pearson Correlation Coefficient，PCC）、增益比（Gain Ratio，GR）和ReliefF算法（RFA）以及主成分分析（Principal Component Analysis，PCA）来进行统计特征提取。为了加强模型的可解释性并系统地去除冗余或噪声属性，我们引入了Shapley加性解释（SHAP）值，从而能够精确量化特征对预测结果的贡献。在特征优化之后，训练了一个深度神经网络进行分类，10折交叉验证的平均准确率为95.72%。比较评估显示，Deep-Diabetes比传统的机器学习方法高出5.45%，超过了当代的先进模型1.72%。此外，独立数据集验证显示准确率提高了1.12%，证实了该框架在异质人群中的稳健泛化能力。这些结果确立了Deep-Diabetes作为一个可靠的临床决策支持工具的地位，并强调了医疗从业者和公共卫生当局之间协作的重要性，以减轻糖尿病日益增加的社会影响。所提出框架的架构设计如图1所示。

基准数据集

为了设计一个强大且具有韧性的计算模型，需要一个有效且可靠的基准数据集[26],[27]。在这项研究中，我们使用了糖尿病预测数据集（Diabetes Prediction Dataset，DPD）来研究糖尿病的患病率[25]。该数据集来自多个电子健康记录（Electronic Health Record，EHR）来源，并在Kaggle仓库上公开提供[28]，包含100,000个样本和关键特征。数据集（即100,000个样本）中有91,500个属于0类（非糖尿病）的实例。

评估

在实际应用之前评估机器学习模型的性能指标至关重要。虽然通常报告准确率，但它可能无法完全反映模型的可靠性，特别是在专门的生物医学或计算环境中[43],[44]。为了提供更全面的评估，还需要额外的指标，包括马修斯相关系数（Matthews Correlation Coefficient，MCC）、曲线下面积（Area Under the Curve，AUC）、敏感性（Sensitivity，SN）、特异性（Specificity，SP）和接收者操作特征（Receiver Operating Characteristic，ROC）等。

实验设置

实验是在配备第11代Intel Core i7-1165G7处理器（2.80 GHz）和16 GB RAM的计算系统上进行的，运行的是Windows 11 Home（64位）。所有机器学习实验都是使用Python（版本3.9）和TensorFlow（版本2.7.0）实现的，这两个都是广泛认可的开源框架，有助于高效地构建、训练和评估模型。没有使用GPU；所有计算都是使用CPU完成的。

局限性

尽管提出的Deep-Diabetes框架展示了显著的预测能力和方法论的严谨性，但必须承认几个固有的局限性，这些局限性可能会影响其更广泛的应用和临床部署。首先，模型性能在根本上取决于电子健康记录（EHR）数据的质量和完整性，而这些数据在不同医疗机构之间存在显著差异，可能会导致系统偏差或缺失值模式。

结论

总之，这项研究介绍了Deep-Diabetes，这是一个为早期糖尿病预测而设计的高性能深度学习框架。通过结合三种特征排序方法和统计算法，并结合SHAP驱动的特征优化，我们的方法显著提高了模型的透明度，同时最小化了数据噪声。经过优化的深度神经网络分类器在10折交叉验证中表现出色，超过了传统的机器学习方法。

作者贡献

SK撰写了主要手稿，调试了代码，并提供了数据集。

CRediT作者贡献声明

萨尔曼·汗：方法论、资金获取、正式分析、数据管理、概念化。

出版同意

不适用。

伦理批准和参与同意

不适用。

资助

本工作得到了沙特阿拉伯国王沙特大学的研究支持项目编号（RSPD2025R）的支持。

利益冲突声明

作者声明与本文的发表没有利益冲突。