《IBRO Neuroscience Reports》：Interpretable Machine Learning for Depression Symptom Classification in NHANES: Performance in a Curated High-Confidence Corpus and the Full Survey Population
编辑推荐：
背景：抑郁障碍是全球最常见精神疾病之一，常未被检出或误判。可扩展计算工具有助于在大型健康数据中刻画抑郁症状模式，但其临床使用需现实验证与校准。目的：研究人员评估了机器学习模型在NHANES中对PHQ-9抑郁症状状态进行分类的性能，并比较了在精选高置信度语料库与
背景：抑郁障碍是全球最常见精神疾病之一，常未被检出或误判。可扩展计算工具有助于在大型健康数据中刻画抑郁症状模式，但其临床使用需现实验证与校准。目的：研究人员评估了机器学习模型在NHANES中对PHQ-9抑郁症状状态进行分类的性能，并比较了在精选高置信度语料库与完整分析人群中的表现。方法：本横断面分析纳入37,959名具有有效PHQ-9数据及预设人口学、睡眠与膳食预测因子的NHANES参与者。主要结局为轻度及以上抑郁症状（定义为PHQ-9≥5）。通过使用清晰PHQ-9规则、教师模型置信度排序、孤立森林（Isolation Forest）过滤与类别重采样构建平衡高置信度语料库。将LightGBM分类器与逻辑回归、随机森林、梯度提升、支持向量机、XGBoost、k近邻及高斯朴素贝叶斯比较。评估了性能、校准、时间验证、敏感性分析与基于SHAP的可解释性。结果：精选语料库含5,000条平衡观测；LightGBM在精选保留集中近完美，但在全人群中表现中等：准确率0.678、F1分数0.503、精确率0.407、召回率0.659、ROC-AUC 0.726。去除睡眠预测因子使ROC-AUC降至0.611。全人群校准差，自我报告睡眠障碍为主贡献。结论：可解释机器学习在NHANES中识别出可重复的抑郁症状模式，主要由睡眠变量驱动；但有限精确率与差校准排除独立临床应用，需外部验证与重校准。
研究背景方面，抑郁障碍全球高发且常被漏诊误判，患者健康问卷9项（Patient Health Questionnaire-9，PHQ-9）虽为常用筛查工具，但横断面量表难以刻画症状异质性与动态变化，固定界值亦无法完全反映抑郁异质性。机器学习可捕捉非线性关系并提供特征级解释，但既往研究多依赖高维特征与复杂架构，临床可解释性不足。为此，研究人员基于美国全国健康与营养检查调查（National Health and Nutrition Examination Survey，NHANES）2005–2006至2017–2020前期公开周期数据，以常规可得的人口学、睡眠与膳食变量为预测因子，评估可解释机器学习对PHQ-9≥5（轻度及以上）抑郁症状的分类性能，并刻意对比精选高置信度语料库与全分析人群（37,959人）的差异，以揭示开发样本分离度对性能的影响。论文发表于《IBRO Neuroscience Reports》。
关键技术方法上，研究人员构建平衡高置信度语料库（5,000条，正负各2,500）：先按PHQ-9>5与<3筛清阳性/阴性，再用预训练教师模型按置信度排序取每类前2,500，经孤立森林剔离群后类别重采样；主要分类器为固定超参LightGBM（120棵树、最大深度8、学习率0.089等），对照逻辑回归、随机森林、梯度提升、SVM、XGBoost、kNN、高斯朴素贝叶斯；在精选集做训练/保留划分与五折交叉选阈（最大化F1），全人群做外部式评价；用准确率、F1、精确率、召回率、MCC、ROC-AUC、平均精度及Brier分数、期望校准误差（Expected Calibration Error，ECE）、Hosmer-Lemeshow检验评估判别与校准；可解释性采用原生重要性、置换重要性与SHAP；并设去睡眠变量、PHQ-9≥10、替代语料构建、时间折刀验证与性别/年龄/教育亚组分析。
研究结果部分，分析样本与抑郁症状特征显示，全队列PHQ-9均值3.21±4.25，≥5组9,402人（24.8%），其睡眠更短、自报睡眠障碍（46.6%对18.3%）与日间嗜睡高频比例更高，女性与教育程度低者占比更高。主要模型开发与全人群性能中，精选保留集LightGBM近完美（准确率0.999、ROC-AUC 1.000），全人群跌至准确率0.678、F1 0.503、精确率0.407、召回率0.659、ROC-AUC 0.726，说明精选语料高分离度放大了内部指标。比较模型与阈值行为表明，随机森林与梯度提升全人群ROC-AUC约0.729，SVM 0.728，LightGBM与逻辑回归0.726，XGBoost 0.725，kNN 0.707，高斯朴素贝叶斯0.689，算法间判别差异很小，信号不依赖单一架构。敏感性与稳健性分析揭示，去除睡眠变量后ROC-AUC降至0.611、精确率0.276而召回率升至0.860，证明睡眠承载主要信号；改用PHQ-9≥10时ROC-AUC 0.779但精确率仅0.134；Logistic回归教师选样ROC-AUC 0.714，无教师纯规则采样0.726；时间折刀（早周期训、晚周期测）ROC-AUC 0.735，支持跨周期可重复。可解释性、校准与亚组中，全局SHAP与置换重要性均指自报睡眠障碍“是”为首要特征，次为日间嗜睡频率与通常睡眠时长；精选集校准近乎完美（Brier 0.0000、ECE 0.0003、HL p=1.000），全人群校准差（Brier 0.2816、ECE 0.2797、HL p<0.001），高预测风险段观察事件率严重偏离；全人群混淆矩阵为真阳6,195、真阴19,527、假阳9,030、假阴3,207；亚组ROC-AUC在男0.718、女0.719、<40岁0.708、40–59岁0.746、≥60岁0.724，教育亚组0.662–0.723，判别中等且较稳定。
讨论部分总结，研究人员指出精选语料近完美性能反映清晰病例采样带来的分离度而非临床就绪性；全人群中等判别与差校准与既往电子健康记录（Electronic Health Record，EHR）抑郁预测研究一致，睡眠主导符合失眠前瞻荟萃（风险>2倍）与睡眠—内化症状双向关系文献；PHQ-9≥5捕捉轻症异质性、横断面NHANES不可因果推断、未加权非患病率估计、仅8个常规预测因子限制信号上限，均为性能天花板来源。结论部分翻译为：在此基于NHANES的机器学习研究中，可解释LightGBM模型在刻意精选的高置信度语料库中近完美判别，但在全调查人群中仅中等判别；该分歧凸显在人为可分离开发样本之外评估预测模型的重要性。睡眠相关变量（尤其自报睡眠障碍）强力贡献分类，去除后性能大幅衰减。尽管时间验证与对照模型支持可重复预测信号，全人群精确率有限且校准差，故该模型不应被视为可部署诊断工具或校准个体风险源，而支持以透明机器学习刻画大型健康调查中的抑郁症状模式并为未来筛查框架生成假设；临床或公共卫生实施前需外部验证、重校准与前瞻性评价。
