用于预测继发性睾酮缺乏的智能混合深度学习框架

《Microchemical Journal》：Intelligent hybrid deep learning framework for predicting secondary testosterone deficiency

　　•提出了一种成本效益高的深度学习框架，用于预测睾酮缺乏症，无需依赖昂贵的医学检测。•通过整合SMOTE进行数据平衡处理，以及MS-BGWO进行最佳特征选择，从而提升模型性能。•采用经过深度学习优化的神经网络结合贝叶斯优化方法，以提高分类精度。•该模型展现出优异的性能，准确率为96.88%，精确率为96.75%，灵敏度为96.70%，特异性为96.68%，F1分数为95.41%。•与现有方法相比，该模型效果更佳，能够实现早期且便捷的睾酮缺乏症检测，尤其在资源有限的条件下更为适用。

引言
男性性腺功能减退症，即睾酮缺乏症，因其对多种身体系统的影响而被视为极为重要的疾病。男性雄激素睾酮在维持肌肉质量、骨骼矿化以及整体活力方面起着关键作用。虽然成年人的睾酮水平会自然下降，但其出现往往是由肥胖和/或炎症等慢性疾病引发或加重的。文章阐述了睾酮在调节多种对保持健康和活力至关重要的生物系统中的作用，强调了睾酮在生殖健康和整体健康方面的重要性。睾酮还参与男性青春期第二性征的发育，包括毛发生长、声音变化以及肌肉量增加[1]。

睾酮缺乏症，也被称为老年男性雄激素缺乏症、性腺功能减退症及男性更年期，据估计，30岁以上的男性中有10%受到影响，70岁以上的男性中这一比例高达40%。尽管这种状况十分常见，但仅有5–10%的睾酮水平较低的男性接受了治疗。血液中的睾酮分为结合态和游离态两种，前者占97–98%，后者占2–3%。检测血清中的睾酮存在理论和实践上的挑战，因为睾酮水平在早晨达到峰值，受昼夜节律影响[2]。

男性睾酮缺乏症（性腺功能减退症）的特征是血液中睾酮水平低于12 nmol/L，同时伴有多种临床症状，这些标准由多个专业组织制定。众多研究显示，在所有年龄组中，肥胖指标（体重指数、腰围，这些都是内脏脂肪的可靠衡量标准）与睾酮水平之间存在负相关关系[3]。2型糖尿病患者中睾酮缺乏症较为常见。此外，睾酮水平低与胰岛素抵抗增强、体脂率过高、肥胖、血脂异常、高血压以及心血管疾病密切相关。根据流行病学报告，多达40%的2型糖尿病患者存在睾酮缺乏症。只有当出现相关症状和/或指标，并且总睾酮水平较低时，才能诊断出睾酮缺乏症。诊断标准由相关专家小组统一制定[5]。

慢性肾脏病患者的睾酮水平降低是其主要的内分泌问题，据估计，约50%的慢性肾脏病患者存在睾酮水平下降的情况[4]。慢性肾脏病导致性腺功能减退的病因尚未完全明确。随着肾功能下降，睾酮的生成和分泌也会减少。性腺功能减退会显著降低男性骨密度，增加患骨质疏松症的风险。骨骼矿化程度与适度的促性腺激素和性激素水平相关，而这些激素的缺乏会导致骨骼结构受损，进而引发各种类型的肾性骨病。慢性肾脏病患者体内血清睾酮水平与RANKL水平之间存在关联[6]。

在整体人群中，睾酮缺乏症的男性比睾酮水平正常的男性更容易出现多重疾病（36.6%对比55.2%，p < 0.001）。不过，差异仅在年轻男性（睾酮缺乏症患病率为36.4%，正常睾酮水平群体为13.5%，p < 0.001）和老年男性（睾酮缺乏症患病率为75.0%，正常睾酮水平群体为61.5%，p < 0.001）中较为明显[7]。由于这种相对的睾酮缺乏，老年男性可能会出现中度性腺功能减退症。与年轻男性一样，这类疾病的表现包括勃起功能障碍、肌肉力量减弱、骨质疏松、肥胖、潮热、疲劳、抑郁以及注意力下降。由于这些症状都与睾酮水平下降有关，因此被统称为老年部分雄激素缺乏症、男性更年期或晚发性性腺功能减退症。睾酮在维持心血管系统稳态方面起着关键作用，它通过影响身体成分、瘦体重、血脂状况以及胰岛素抵抗来发挥心脏保护作用。睾酮缺乏所带来的影响如图1所示。

人工智能算法在医学诊断中具有巨大价值，能为数据分析提供重要工具。目前，人工智能在医疗领域的应用正在不断拓展和深化。人工智能不仅具有显著的经济价值，还能为患者、医疗机构以及医疗人员带来诸多益处。它能提高医疗效率，降低医疗成本，提升医疗服务质量，为医疗从业者和患者提供更加精准个性化的服务体验。过去十年间，人工智能因其在各领域的广泛应用而推动了人类文明的进步。自然语言处理、机器学习、深度学习、人工神经网络以及机器人技术等人工智能技术可被用于大规模数据分析，以预测睾酮缺乏症[10]。人工智能的应用示例见下图2。

基于机器学习和深度学习方法的预测模型取得了更好的性能。多种机器学习模型已在不同医学领域得到应用和测试。机器学习是一门利用数据中的模式在无需编程的情况下做出准确预测的新技术。在预测睾酮缺乏症方面，尤其是在数据或资源有限的情况下，机器学习算法相较于深度学习算法更具优势。本研究提出了一种基于机器学习的模型，可在早期预测睾酮缺乏症，且具备最佳的准确率。

然而，尽管当前最先进的深度学习和机器学习方法已能取得令人瞩目的预测效果，但由于类别不平衡、临床变量冗余以及缺乏泛化能力等问题，预测睾酮缺乏症依然是一项艰巨任务。此外，传统的检测方法通常成本高昂、具有侵入性且耗时较长，许多患者难以负担。因此，有必要开发一种能够解决这些问题的预测系统。本研究提出了一种基于机器学习方法的智能预测方案，用于预测睾酮缺乏症。

睾酮缺乏症是一种常见的疾病状态，若不能及早发现，可能会引发严重的身体、代谢及心理问题。然而，常规的诊断方法大多依赖于昂贵且具有侵入性的睾酮水平实验室检测，这限制了其应用范围。此外，现有的预测方法也存在类别不平衡和临床变量冗余等问题。因此，亟需一种智能且可靠的预测框架，能够利用常规可获得的临床数据准确识别出有睾酮缺乏症风险的个体。本研究通过开发一种基于机器学习的预测模型，旨在提高预测精度、临床适用性及成本效益，从而实现睾酮缺乏症的早期筛查与诊断。

本研究提出了一种基于深度学习的睾酮缺乏症预测模型。该模型包括数据收集、预处理、特征选择、数据平衡以及分类处理等多个环节。通过结合基于深度学习的分类方法，该模型为睾酮缺乏症的预测提供了更为强大且高效的解决方案。

本研究的具体目标如下：
•开发一种高效的基于深度学习的模型，用于检测睾酮缺乏症。
•利用睾酮缺乏症数据集来评估所提模型的性能。
•通过采用最小-最大归一化方法改进模型的预处理技术。
•利用SMOTE算法优化模型的数据平衡过程，同时用MS-BGWO算法进行特征选择。
•采用经过深度学习优化的神经网络进行分类，以提高模型的效率和性能。
•从准确率、特异性、F1分数、灵敏度及精确度等方面评估研究模型的性能。
•将模型的性能与现有方法进行对比验证。

本文结构如下：第2节回顾了与睾酮缺乏症相关的文献，重点探讨了分类模型。第3节介绍了所提出的模型，包括数据预处理、数据平衡、特征选择以及基于高级神经网络的分类方法。接下来的章节将评估所提模型的性能，分析研究结果，并将其与其他模型进行比较。最后，第5节总结研究成果，并提出未来研究的方向。

相关研究
本篇文献综述探讨了多种预测睾酮水平的 方法和模型。通过对不同模型的优缺点进行分析，并结合性能测试结果，如表1所示。在[11]中，研究人员利用人工智能算法分析了社交媒体用户的使用行为与睾酮水平之间的相关性，发现犯罪者体内的雄激素水平较高，表明两者之间存在关联。

所提出的方法
本研究的主要目标是基于机器学习算法设计一种新的睾酮缺乏症预测模型。图3展示了该预测方法的流程。在本研究中，使用了公开可用的睾酮缺乏症数据集来进行预测。数据预处理采用最小-最大归一化方法。之后，通过SMOTE算法进行数据平衡处理，以解决类别不平衡问题并提升数据集质量。在特征选择阶段，则采用了主从式BGWO算法。

实验配置
该模型是用Keras和Python 3.7.9开发的，背后引擎为TensorFlow。计算环境包括Core i7处理器、64位版本的Windows 10操作系统以及16GB内存。本研究使用睾酮缺乏症数据集来评估模型性能，数据集被分为80%的训练数据和20%的测试数据。为避免数据泄露，仅对训练集应用SMOTE算法，而测试集保持不变。

结论
本文提出了一种基于机器学习的睾酮缺乏症预测模型。该模型涵盖了数据收集、预处理、特征选择、数据平衡以及分类处理等功能。数据预处理阶段采用了最小-最大归一化算法。预处理完成后，通过SMOTE进行数据平衡处理。从提取的数据中则运用MS-BGWO算法进行特征选择。最终，采用经过深度学习优化的神经网络分类器模型来进行预测。

作者贡献
所有作者对本项工作均做出了同等贡献。

CRediT作者贡献说明
P. John William：撰写原始稿件、概念构思。E. Ilavarasan：项目管理、方法设计。

伦理审批与知情同意
本研究过程中未涉及任何人类参与者。

人类与动物权利
本研究未侵犯任何人类与动物的权利。

资金支持
本研究未获得任何资金资助。

未引用参考文献
[8]、[9]、[30]、[31]

利益冲突声明
作者声明不存在可能影响本研究结果的已知财务利益或个人关系。

致谢
本研究无特别致谢内容。

P. John William | E. Ilavarasan