传统机器学习与深度学习算法在肥胖预测或分类中的应用：基于比较性能的系统性综述

《npj Digital Medicine》：Applications of traditional machine learning and deep learning algorithms in obesity prediction or classification: a systematic review of comparative performance

　　

摘要

本系统评价研究了传统机器学习方法和深度学习方法在纵向研究中的肥胖预测应用，以及在这些方法在横断面研究中的肥胖分类应用。检索范围涵盖PubMed、Scopus和Web of Science数据库，时间跨度从数据库建立至今至2025年6月15日。仅纳入那些应用了这些算法并报告了性能指标的研究。共有17项研究（3项纵向研究，14项横断面研究）符合纳入标准。在这17项研究中，只有一项进行了独立的外部验证，且有关模型校准的报道极为有限，这反映出这些方法在临床应用方面存在相当大的方法学障碍。纵向研究的性能较为一般，只有一项研究报告了较好的区分能力（AUC值为0.81），因此难以比较传统机器学习方法和深度学习方法在未来风险预测方面的优势。相比之下，横断面研究显示出的性能似乎较高，深度学习模型的AUC值可达到0.979，而经过良好调优的传统机器学习模型也表现优异；不过，许多研究结果都受到方法学限制的影响，比如预测因子与结果之间存在循环关系，以及性能报告不完整等问题。这两种方法在肥胖分类方面表现都不错，但能否用于具有临床意义的未来肥胖风险预测，目前仍缺乏足够证据。要提升这些方法的临床应用价值，就需要采用纵向研究设计并进行独立的外部验证。在获得相关证据之前，基于人工智能的肥胖预测模型应被视为辅助决策的工具，而非可用于临床或公共卫生风险评估的常规手段。