基于贝叶斯正则化人工神经网络与Transformer增强物理信息神经网络的妊娠期糖尿病混合比较机器学习框架：一项整合牙周健康与血液炎症标志物的前瞻性病例对照试点研究

《Metabolites》：A Hybrid and Comparative Machine Learning Framework for Predicting Gestational Diabetes Mellitus via a Prospective Case-Control Design: A Pilot Study Integrating Periodontal Health and Hematological Inflammatory Markers

　　

背景/目的：本试点研究旨在开发并比较先进机器学习模型，具体为贝叶斯正则化人工神经网络（ANN）与Transformer增强物理信息神经网络（PINN），通过整合牙周健康指数与血液学炎症标志物预测妊娠期糖尿病（GDM）。方法：采用前瞻性病例对照研究设计，评估包含80名孕妇（40名GDM患者与40名健康对照）的临床数据集以开发和比较先进机器学习模型。临床、牙周及全血细胞计数（CBC）衍生的炎症参数被整合进两个预测模型：基于贝叶斯正则化的人工神经网络（ANN）与Transformer增强物理信息神经网络（PINN）。模型性能通过决定系数（R2）、均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）及残差误差分析进行评估。结果：ANN展现出更优的预测性能，R2达0.9872，MSE为3.38×10?3，而PINN模型R2为0.9833。残差分析显示ANN预测稳定性更高，平均偏差0.5691，标准差3.6400。研究结果表明，通过先进神经架构（尤其是贝叶斯正则化ANN）整合分析牙周与血液标志物，为GDM预测提供了高保真诊断信号。该集成特征集经所提机器学习框架处理，能够以极高精度识别复杂生物模式。结论：所提机器学习框架为预测GDM提供了一种准确、无创且具临床适用性的方法。整合常规可获取的牙周与血液数据可改善早期风险分层并支持个性化产前护理。临床实施前需在更大规模、更多样化人群中进一步验证。

研究背景与立项依据

妊娠期糖尿病（Gestational Diabetes Mellitus, GDM）是妊娠期最常见的代谢并发症之一，不仅增加母婴发病与死亡风险，还与母体及子代远期2型糖尿病、心血管疾病及慢性炎症状态密切相关。既往研究提示系统性炎症、免疫失调与代谢紊乱在GDM发病中居核心地位。牙周病作为慢性低度炎症源，可通过释放白细胞介素-6（IL-6）、肿瘤坏死因子-α（TNF-α）与C反应蛋白（CRP）等介质进入体循环，加剧胰岛素抵抗；同时，全血细胞计数（CBC）衍生的中性粒细胞-淋巴细胞比（NLR）、血小板-淋巴细胞比（PLR）、单核细胞-淋巴细胞比（MLR）等血液炎症标志物因廉价、易得，逐渐成为评估妊娠系统性炎症的实用指标。然而，现有文献多采用传统回归统计，难以刻画牙周-血液-代谢-行为多变量间的非线性交互；且牙周病与GDM关联的证据尚存异质性。为此，研究人员在土耳其Ni?de ?mer Halisdemir大学医学院产科开展单中心前瞻性病例对照试点研究，拟以先进机器学习架构整合多源数据，构建高精度、无创GDM筛查框架，该文发表于《Metabolites》。

主要技术方法概括

研究人员纳入2022年9月至2023年4月确诊的80例单胎孕妇（40例GDM按IADPSG标准经75 g口服葡萄糖耐量试验诊断，40例健康对照），年龄18–35岁，排除抗生素/漱口水使用、近期牙周治疗、感染、缺齿<20及系统性疾病者。采集社会人口学、产科史、生活方式、牙周指数（菌斑指数PI、龈沟出血指数GI、探诊深度PD、临床附着丧失CAL、DMFT、DMFS）及CBC炎症参数（WBC、中性粒细胞NC、嗜酸粒EOS、PLT、MPV、PCT、NLR、PLR、MLR、MPV/PLT）。数据经Min–Max归一化，于10折交叉验证内独立拟合，避免泄漏。构建两类模型：单层25神经元多层感知机（MLP）以贝叶斯正则化（Bayesian Regularization）训练的ANN；以及融合三层四头Transformer（d_model=64）与四隐藏层（维度128）物理信息神经网络（PINN），将NLR、BMI等生物学单调性约束嵌入多目标损失函数，训练300轮（batch=64，学习率0.002，权重衰减1e-4，早停耐心30）。以R²、MSE、RMSE、MAE、残差分布、Taylor图、雷达图及10折交叉验证评估。

研究结果

1. 3.
   Results
   研究人员先以偏离比概率密度分布比较误差：ANN峰值紧邻零轴（μ=0.5691，σ=3.6400），PINN离散度更大（μ=1.5556，σ=4.8944），表明ANN估计更稳定。Taylor图显示两模型相关系数均>0.99，但ANN标记更接近参考标准差线与靶心，其RMSE=5.81×10^?2低于PINN的6.85×10^?2。表1汇总连续指标：ANN的R²=0.98720、MSE=3.38×10^?3、RMSE=5.81×10^?2、MAE更低，一致性指数d=0.997；PINN对应R²=0.98331、MSE略高、d=0.995。雷达图（六维归一化）中ANN触达各轴理想值1.0，PINN面积明显内缩。10折交叉验证下ANN平均R²=0.8090（SD=0.1075）、平均MSE=0.0420，证明内部稳健性。基准模型（Logistic回归R²=0.9702；随机森林0.7834；SVM 0.8042；Gradient Boosting/LightGBM名义R²=1.0但疑过拟合）对比佐证ANN在小样本下兼顾保真与泛化。分类指标（AUC、敏感性、特异性、PPV、NPV、准确率）在ANN与PINN上均触顶1.0000，故连续误差指标被定为首要比较依据。双变量相关显示Input 28与结局Pearson=0.9670，Input 17=0.5333，Input 16=0.4547，印证部分牙周/血液变量边际关联强。

讨论部分总结

研究人员指出，GDM非单纯代谢病，而是炎症-牙周-行为多通路交织结果；ANN将BMI、产次、早产史、刷牙频率与PI/GI/PD/CAL/DMFT及NLR/PLR/MLR等集成，捕获了传统回归遗漏的非线性耦合。PINN虽引入Transformer长程依赖与物理单调性惩罚，但在N=80时注意力机制更易放大多源噪声，贝叶斯正则化对25神经元浅层MLP的权重惩罚反而更适配小样本过拟合防控。CBC炎症标志物与牙周指数的常规可及性，使该框架具备低成本无创筛查转化潜力。作者自陈局限为单中心、无外部多中心验证，属试点性质；10折交叉验证仅证内部稳定性。

结论部分翻译

本研究通过先进人工智能架构整合牙周健康指数与血液炎症标志物，成功建立了一种新颖且高保真的GDM早期预警框架。对所开发模型的综合分析得出以下关键结论：

模型优越性：经贝叶斯正则化优化的ANN在所受评估架构中展现出最高预测精度，取得卓越决定系数（R²=0.98720）与极低均方误差（MSE=3.38×10^?3），优于物理信息混合模型。

预测稳定性：误差分布与残差分析确认ANN框架提供更一致可靠的诊断信号；其低平均偏差（μ=0.5691）与窄标准差（σ=3.6400）凸显了在映射口腔健康参数与全身代谢失调间复杂非线性交互时的鲁棒性。

临床意义：结果验证龈沟出血指数（GI）、菌斑指数（PI）、探诊深度（PD）等牙周指数，以及NLR、PLR等CBC衍生炎症标志物均为具生物学相关性的GDM预测因子；将这些参数集成至统一计算引擎，较传统回归方法提供更强大诊断工具。

新颖性与应用：本研究属首批证明在深度学习框架内联合常规实验室数据与无创牙周评估可作成本效益高、临床适配筛查工具的工作之一，有望实现高风险妊娠早期识别，降低母婴发病率。

研究自认主要局限为预测模型在单中心队列开发验证、缺独立多中心外推；属试点研究。10折交叉验证证内部稳定，但临床转化前须大样本多样群体验证。综上，该混合机器学习框架为实时GDM风险评估提供稳健数字健康方案；未来将在更大人群细化物理信息组件以提升普适性。