摘要
及早检测糖尿病对于防止疾病进展并改善临床治疗效果至关重要。然而，由于数据获取受限、隐私法规以及数据共享方面的难题，构建用于糖尿病诊断的强大机器学习模型往往面临诸多困难。本研究探讨了一种基于傅里叶变换红外光谱技术的、能够保护隐私的合成数据增强框架，用以区分糖尿病患者与正常人的血清样本。研究评估了两种深度生成模型——自编码器和生成对抗网络——在生成逼真合成红外光谱的同时保持原始数据集统计特征和生化特性的能力。通过支持向量机、随机森林、K近邻算法、梯度提升模型、逻辑回归和决策树这六种机器学习分类器，对自编码器和生成对抗网络生成的合成数据集进行了测试。模型性能通过准确率、精确度、召回率、F1分数、受试者工作特征曲线以及曲线下面积等指标来评估。实验结果表明，自编码器生成的光谱具有更强的区分特性，更容易与原始光谱区分开来；而生成对抗网络生成的光谱则分类可分离性较低，这说明其更接近原始数据分布，且作为注重隐私的数据增强方法具有更高的真实性。相关性分析显示，这两种方法都能实现较高的光谱保真度。与原始光谱相比，自编码器生成的光谱的r值为0.9990，R2值为0.9999；而生成对抗网络生成的光谱的r值为0.9982，R2值为0.9965。在碳水化合物（1000–1200 cm?1）区域、酰胺I区域（约1650 cm?1）以及脂质相关区域（3000–3500 cm?1），可以观察到与糖尿病相关的显著光谱变化。为验证该框架的通用性，研究还使用独立获取的全血红外光谱进行了初步的可行性实验。实验结果显示，生成的光谱与实测全血光谱高度一致，表明该框架在不同的采样条件下也具有应用潜力。由于实验组仅包含一名糖尿病志愿者，因此这项分析仅作为光谱可行性和方法通用性的概念验证，而非糖尿病分类性能的验证。总体而言，研究结果表明，合成数据生成技术能够在保护隐私和保留关键光谱特性的同时，有效补充有限的红外光谱数据集。该框架为注重隐私的生物医学数据增强技术以及未来开发可靠的红外光谱糖尿病筛查系统奠定了良好基础。需要注意的是，这些结果仅能作为该方法可行性和合成数据实用性的方法学证据，不能作为临床诊断可用性的依据，因为目前的血清数据集规模仍然较小，且全血实验也仅为探索性质。
