《Frontiers in Public Health》：Multidimensional feature fusion in longitudinal physical examination data: a machine learning framework for classification of type 2 diabetes
编辑推荐：
背景：基于机器学习的2型糖尿病（type 2 diabetes mellitus, T2DM）风险分类已成为智能医疗领域的主流研究方向。然而，当前研究存在两个关键局限：第一，多数现有模型基于横截面数据构建，无法捕捉T2DM的动态进展特征；第二，传统纵向时
背景：基于机器学习的2型糖尿病（type 2 diabetes mellitus, T2DM）风险分类已成为智能医疗领域的主流研究方向。然而，当前研究存在两个关键局限：第一，多数现有模型基于横截面数据构建，无法捕捉T2DM的动态进展特征；第二，传统纵向时间序列模型通常被直接采用，而未充分挖掘多时段体检特征之间的深层交互关系，限制了模型的预测性能。方法：为解决上述不足，本研究提出了一种新颖的多维特征提取与融合网络（multidimensional feature extraction and fusion network, MFFNet），用于基于连续年度体检数据的T2DM早期风险预测。该架构从三个互补维度全面挖掘潜在特征信息：单个时段内多个检查指标的水平交互、单个指标在连续年份间的纵向动态演变模式，以及不同指标在多个时段间的跨时间协同关联。实验在真实世界纵向数据集上进行，该数据集包含来自北京医院健康管理中心连续三年的体检记录，样本分布极度不平衡，正负样本比为1:8.34。结果：与最先进的时间序列模型（RNN、LSTM、GRU和Transformer）的对比实验显示了MFFNet的优越性。所提模型实现了0.8766的灵敏度、0.7082的特异度、0.9799的阴性预测值（negative predictive value, NPV）和0.4322的PR-AUC。此外，SHAP可解释性分析识别出T2DM风险评估的核心预测特征，包括年龄、肌酐（creatinine, Cr）、腰围（waist circumference, WC）、丙氨酸氨基转移酶（alanine aminotransferase, ALT）、甘油三酯（triglycerides, TG）和收缩压（systolic blood pressure, SBP）。结论：所提出的MFFNet能够利用纵向体检序列有效实现准确的T2DM分类和早期风险预测。这种多维特征融合策略显著提升了时间医疗数据的挖掘能力。轻量级且成本效益高的MFFNet为初级临床医疗中大规模T2DM早期预筛查和风险干预提供了可靠的人工智能辅助解决方案。
**论文解读文章**
**研究背景与问题**
2型糖尿病（type 2 diabetes mellitus, T2DM）已成为全球性流行病，其并发症（如心血管疾病、糖尿病肾病、视网膜病变和周围神经病变）具有进行性不可逆性，并伴有高致残率，给医疗系统和家庭带来沉重经济负担。中国是糖尿病负担最严重的国家，2021年糖尿病患者已超过1.4亿，预计到2045年将达到1.74亿。当前糖尿病筛查主要依赖空腹血糖（fasting blood glucose, FBG）、糖化血红蛋白（glycated hemoglobin, HbA1c）和口服葡萄糖耐量试验（oral glucose tolerance test, OGTT），这些方法需要专业操作且成本高昂，在资源匮乏地区难以大规模推广。人工智能（artificial intelligence, AI）技术通过深度学习、多模态融合和时间序列分析等手段，可深度挖掘医疗数据价值，为早期疾病风险筛查、临床诊断、预后预测及慢性病管理等提供支持。
现有T2DM风险分类研究主要分为两类：一是基于横截面数据的静态模型，通过当前生理指标（如BMI、血压、血脂）进行风险评估，但无法反映风险因素随时间动态演化的过程，且单次数据采集存在信息不完整或偏差问题，影响模型泛化能力；二是基于纵向队列研究的动态模型，利用连续多年的健康记录和时间序列模型（如RNN、LSTM、GRU、Transformer）预测糖尿病状态，但现有研究多仅简单应用经典模型，缺乏对序列数据中多维特征交互关系的深入挖掘，且高质量长期时间序列数据稀缺。
随着中国居民健康管理意识提升和体检制度完善，基于年度体检数据构建个体纵向健康档案逐步成为可能。研究人员提出，纵向体检数据能够揭示静态数据无法获得的指标动态演化模式，这种时间变化信息在一定程度上反映了疾病发展的渐进过程，因此时间序列分析比静态数据更适合糖尿病早期检测和风险预测。
**主要关键技术方法**
本研究提出了一种多维特征提取与融合网络（MFFNet），基于连续三年的纵向体检数据构建预测模型。数据来源于北京医院健康管理中心，涵盖2021至2024年共16,653人的50,080条记录，从中筛选出具有连续三年体检记录的16,774条序列，其中第三年糖尿病阳性样本1,777条（10.6%），阴性样本14,997条（89.4%），正负样本比约为1:8.34，呈现严重类别不平衡。MFFNet包含三个互补的特征提取分支：水平分支（branch a）采用一维卷积（Conv_1D）提取同一时段内多个检查指标之间的横截面交互信息；纵向分支（branch b）采用逐点卷积（Pointwise_Conv）提取单个指标在连续年份间的动态演变模式；交叉分支（branch c）采用Transformer的多头注意力机制（multi-head attention）捕捉不同指标在多个时段间的跨时间协同关联。三个分支提取的特征经拼接（Concatenate）后，通过全局平均池化（GlobalAveragePooling）和全连接层（Dense）输出最终预测概率。模型训练采用加权二元交叉熵损失（Weighted Binary Cross Entropy Loss）以缓解类别不平衡，优化器为Adam，批次大小32，迭代轮数100，并引入Dropout层提升泛化能力。
**研究结果**
**3.1 实验设置**
实验环境为Ubuntu 18.04 LTS 64位操作系统，配备Intel Xeon Bronze 3106 CPU、64GB内存、Nvidia GeForce GTX1080Ti×2 GPU（每块12GB显存），深度学习框架为PyTorch。主要硬件成本约40,000元人民币，所有软件工具均为开源免费。
**3.2 评估指标与评估方法**
采用灵敏度（Sensitivity, Recall）、特异度（Specificity）、阳性预测值（Positive Predictive Value, PPV）、阴性预测值（Negative Predictive Value, NPV）、F1分数、ROC-AUC、PR-AUC和Brier分数作为评估指标，均基于混淆矩阵计算。
**3.3 模型检测T2DM的性能评估**
将MFFNet与RNN、LSTM、GRU和Transformer四个最先进时间序列模型进行对比，所有指标均为5折交叉验证均值。在极度不平衡样本分布下，MFFNet表现最佳：灵敏度0.8766，特异度0.7082，NPV 0.9799，PR-AUC 0.4322，Brier分数0.1613，ROC-AUC 0.8726。PPV较低（0.2650），与数据集负样本占比大有关。MFFNet的推理时间最短（52.045毫秒/样本），内存占用与其它模型相当（0.110 MB），表明其更适合大规模人群筛查。模型区分能力排序为：MFFNet > Transformer > LSTM > GRU > RNN。
**3.4 消融实验**
对MFFNet的三个分支（H-Branch、L-Branch、C-Branch）进行消融实验。结果显示，任意单一分支特征均能取得较好结果，其中仅使用横截面特征（H-Branch）表现最优，说明横截面特征在糖尿病预测中至关重要。任意两个分支组合均能进一步提升预测性能，表明纵向时序特征和交叉特征均贡献了有价值信息。三个分支特征融合后取得最高预测性能（灵敏度0.8766，ROC-AUC 0.8726，PR-AUC 0.4322）。
**3.5 模型预测T2DM的性能评估**
进一步采用前两年体检数据预测第三年糖尿病发病风险。MFFNet在所有指标上均优于RNN、LSTM、GRU和Transformer，取得灵敏度0.8035，特异度0.7640，NPV 0.9711，PPV 0.2916，F1 0.4253，ROC-AUC 0.8648，PR-AUC 0.4109，Brier分数0.1691，证实其在T2DM风险预测中的优势。
**3.6 SHAP可解释性分析**
基于SHAP值的全局特征重要性分析显示，MFFNet主要依赖年龄、肌酐（Cr）、腰围（WC）、丙氨酸氨基转移酶（ALT）、甘油三酯（TG）和收缩压（SBP）等特征，这些特征具有广泛的SHAP值分布，显著影响模型输出。年龄的SHAP值跨度最大，高值显著右移，表明年龄越大糖尿病风险越高，符合流行病学证据。代谢和人体测量指标（WC、TG、体重）呈正向贡献，凸显中心性肥胖和血脂异常在糖尿病发病中的关键作用。而嗜碱性粒细胞（BASO）、腰围身高比（WHtR）和淋巴细胞（LYM）等特征围绕零值聚集，贡献较小，可在未来建模中简化以降低复杂度。
**总结与讨论**
研究人员将MFFNet与基于静态横截面数据（单年度体检数据）的传统机器学习模型（KNN、RF、SVM、GBDT）进行对比，发现静态模型的整体性能显著低于时间序列模型及MFFNet，验证了纵向数据相对于静态数据的优越性。
为验证模型捕捉的是T2DM进展特征而非全身健康恶化的混杂信号，研究人员将数据集按年龄分为年轻组（<60岁，35,921条记录，阳性11,943条）和老年组（≥60岁，14,159条记录，阳性4,710条）。年轻组模型ROC-AUC（0.8819）、灵敏度（0.8009）和特异度（0.7990）均显著高于老年组（ROC-AUC 0.7245，灵敏度0.7014，特异度0.6198），且Brier分数更低（0.1280 vs. 0.2191）。这是因为年轻群体生理状态相对同质，非糖尿病混杂因素干扰小，模型能准确提取T2DM进展特异性代谢特征；而老年群体常伴多病共存和年龄相关生理变化，混杂信号与真实T2DM特征高度交织，引入噪声，导致模型性能下降。SHAP分析进一步表明，核心预测特征（如WC、ALT）在两组中均排名靠前，这些特征是T2DM的典型病理标志，而非一般性衰老指标；年龄在年轻组影响力最大，在老年组显著下降，说明模型主要捕捉的是T2DM特异性进展模式，而非混杂的衰老信号。
**结论部分翻译**
本文提出了一种基于纵向体检数据序列的多维特征提取与融合架构MFFNet，用于解决2型糖尿病（T2DM）分类和早期风险预测的挑战。MFFNet从输入特征图中提取并整合三个互补维度（水平、纵向和交叉维度）的信息，支持准确的T2DM检测和动态早期风险预警。在北京医院健康管理中心三年纵向体检数据集上的验证表明，在极度不平衡的类别分布（正:负 = 1:8.34）下，MFFNet实现了强的T2DM分类性能：灵敏度0.8766，特异度0.7082，阴性预测值（NPV）0.9799，精确率-召回率AUC（PR-AUC）0.4322。这些结果超过了最先进的时间序列模型（包括RNN、LSTM、GRU和Transformer）。此外，进行了基于SHAP的可解释性分析，揭示年龄、肌酐（Cr）、腰围（WC）、丙氨酸氨基转移酶（ALT）、甘油三酯（TG）和收缩压（SBP）是MFFNet检测T2DM的最关键特征，而嗜碱性粒细胞（BASO）、腰围身高比（WHtR）、嗜酸性粒细胞（EOS）、淋巴细胞（LYM）和饮酒史（AH）对模型预测贡献较小。综合实验结果表明，结合纵向体检数据的MFFNet框架在T2DM分类和预测方面均优于静态横截面预测和传统时间序列动态预测。为应对本研究的局限性，研究人员将继续收集连续纵向体检序列数据，扩大样本量并增强数据多样性，重点研究以下两个问题：第一，构建更平衡的数据集以提高模型对阳性样本的准确性；第二，整合多模态数据（如生活方式因素、临床症状和遗传信息）以优化模型架构，从而进一步提升预测准确性和泛化能力。
