基于可解释机器学习的非侵入性痰湿体质识别预测模型研究

《Frontiers in Endocrinology》：An interpretable prediction model for non-invasive identification of the phlegm-dampness constitution based on machine learning

　　

**摘要**

**引言：** 在传统中医（TCM）中，体质类型影响疾病易感性。痰湿体质（PDC）作为一种常见亚型，已被认为与代谢性疾病风险升高相关。因此，早期识别PDC对于实施早期干预和疾病预防策略至关重要。本研究旨在基于常规可获得的临床变量和饮食偏好，开发和评估用于PDC识别的可解释机器学习模型。

**方法：** 研究人员分析了139名参与者（96名PDC和43名平和体质[BC]）。使用最小绝对收缩和选择算子回归筛选了17项临床和生化变量，并开发了逻辑回归、随机森林、支持向量机和极端梯度提升（XGBoost）分类器。数据集被划分为训练集和测试集，并应用了三折交叉验证。模型性能通过受试者工作特征曲线下面积（AUC）、截断值、敏感性、特异性、阳性似然比（PLR）、阴性似然比、阳性预测值（PPV）和阴性预测值（NPV）进行评估，同时使用Shapley加性解释（SHAP）对模型输出进行解释。

**结果：** 使用腰围和甘油三酯（TG），以年龄和身体质量指数（BMI）作为协变量的逻辑回归模型，实现了0.983的AUC，敏感性为0.945，特异性为0.970。第二个完全非侵入性模型使用收缩压（SBP）、舒张压（DBP）和腰围，并具有相同协变量，也表现出良好的区分度，并被保留为候选模型。SHAP分析提供了模型预测的个体层面解释，并确定BMI和TG为关键临床贡献因素。此外，研究人员构建了基于饮食偏好的PDC识别模型。逻辑回归模型在训练数据（AUC = 0.891，特异性 = 0.964）和测试数据（AUC = 0.838，特异性 = 0.894）中均显示出良好的区分性能。SHAP表明，偏好烧烤和咸味使预测向PDC转移，而偏好清淡使预测向BC转移。

**讨论：** 总之，本研究开发了可解释模型以提高PDC识别能力，包括一个完全非侵入性的模型，从而可能在临床环境中支持代谢疾病的早期风险识别和预防策略。

基于可解释机器学习方法的痰湿体质非侵入性识别预测模型研究解读

**一、 研究背景与问题提出**

随着全球代谢性疾病患病率的持续攀升，肥胖、2型糖尿病、高脂血症及代谢综合征等疾病严重威胁着近二十亿人的生活质量，并构成了全球死亡率的重要贡献因素。此类疾病多呈长期隐匿性进展，其早期症状如体重、血糖或血脂的轻微升高常被忽视，因此，在高危人群中实施早期检测与预防措施以减轻代谢疾病负担至关重要。在中医理论体系中，体质理论基于个体独特的生理病理特征进行分类。痰湿体质（PDC）作为一种常见偏颇体质类型，约影响中国人群的7.32%，被证实与肥胖、2型糖尿病及高甘油三酯血症等代谢性疾病风险增加密切相关。相比之下，平和体质（BC）被视为中医理想健康状态。尽管已有评估体质的中医体质量表等方法旨在实现客观化，但仍可能受到主观因素和复杂评分计算方法的干扰，影响体质分类准确性及高危人群识别的效果。因此，亟需一种快速、客观、临床可及的筛查方法，以减少对主观评估和有创实验室检测的依赖。

近年来，机器学习（ML）研究已应用于中医体质识别，但以往方法多聚焦于多体质分类，或依赖实验室、遗传及专业影像学特征，这可能限制了其在初级卫生保健和社区筛查中的可及性。常规可获得的体格测量指标、血压测量值及饮食偏好信息在PDC特异性且可解释的框架内尚未得到充分评估。既往研究表明，饮食偏好差异可能反映代谢健康状况及中医体质。为弥补上述不足，本研究旨在应用线性及非线性算法，结合SHapley加性解释（SHAP）可解释方法，比较逻辑回归、随机森林、支持向量机和极端梯度提升（XGBoost）四种机器学习模型在PDC识别中的性能，构建基于常规临床变量和饮食偏好的可解释预测模型，并评估其应用价值。

**二、 研究设计与技术方法**

本研究经北京中医药大学机构审查委员会与伦理委员会批准（伦理编号2017BZHYLL0406）。研究招募了居住于北京、年龄18-50岁的参与者，根据2009年《中医体质分类与判定》标准进行体质判定，最终139名参与者纳入分析，包括96例PDC和43例BC。研究排除了近期使用影响内分泌等药物、有胃肠道手术史、患有严重疾病或酗酒史的个体。研究人员通过标准化程序收集人口统计学、体格测量和血压数据，并采集空腹血样进行生化分析。数据集采用分层抽样按7：3比例划分为训练集和测试集，并应用Z-score标准化。在模型开发阶段，研究人员使用R软件对17个临床变量进行LASSO回归筛选，以lambda.min准则选择非零系数变量。随后在Python环境中构建了四种ML分类器，包括逻辑回归、随机森林、SVM和XGBoost，并通过三折交叉验证进行超参数调优。模型性能通过ROC曲线下面积（AUC）、截断值、敏感性、特异性、PLR、NLR、PPV和NPV等多项指标进行评价，AUC对比使用DeLong检验。通过决策曲线分析（DCA）评估临床净获益，并使用SHAP方法解释模型输出。统计分析采用IBM SPSS Statistics version 29.0，正态分布变量组间比较用独立样本t检验，非正态分布变量用Wilcoxon秩和检验。

**三、 研究结果**

1. **临床特征差异**：PDC组平均年龄高于BC组（32.51岁 vs 27.33岁，P < 0.05），两组间在体重、腰围（WC）、BMI、甘油三酯（TG）、总胆固醇（TC）及HOMA-IR方面均显示显著差异（P < 0.05）；而性别、身高、FBG、2hPG、SBP、DBP及其他血脂指标无统计学差异。

2. **特征筛选**：通过对17个潜在指标进行LASSO回归分析，以最佳lambda值（0.109）筛选出四个非零系数独立预测指标，即年龄、WC、BMI和TG，作为后续模型开发的核心候选预测因子。

3. **多指标预测模型分析**：研究人员构建了6种不同组合的预测模型（M1-M6），涉及12个指标，应用四种ML方法。结果显示，在逻辑回归方法中，M1（含WC和TG）取得了最高AUC 0.983（95% CI: 0.953-1.000），敏感性0.945，特异性0.970，PPV 0.990。SVM的M6（仅含TG）也达到最高AUC 0.983，但逻辑回归M1的PPV/NPV更优。M2模型（含SBP、DBP、WC）展示了非侵入性诊断潜力，其AUC为0.977，且与M1间差异无统计学意义，提示其在临床和社区筛查中具有一定应用价值。随机森林（RF）各模型AUC均≥ 0.950，最高为M1（AUC 0.972）。XGBoost的模型性能相对较弱，最高AUC仅0.965。

4. **特征重要性综合排序**：通过随机森林和XGBoost非线性算法确定的特征重要性与LASSO筛选结果进行交集分析，最终确立BMI、WC和TG为一致的重要特征，其中BMI和WC为非侵入性指标，进一步支持了非侵入性模型在PDC识别中的潜力。

5. **SHAP可解释性分析**：临床模型SHAP分析结果显示，BMI、TG、FBG和SBP对模型输出贡献最大。BMI和TG值升高与正向SHAP值相关（预测倾向PDC），而较低值则偏向BC。偏依赖图进一步验证了这一趋势。交互作用分析揭示了BMI与TG、TG与FBG等指标间的相互作用对PDC识别的影响。

6. **饮食偏好模型构建与评估**：基于十大类饮食偏好（甜、辣、酸、咸、清淡、油腻、烧烤、冷、热、茶）构建预测模型，测试集中逻辑回归的判别性能最优（AUC = 0.838，特异性 = 0.894）。SHAP分析显示，偏好烧烤和咸味转移预测至PDC，而偏好清淡口味则转移至BC。DCA分析表明模型普遍提供优于参考策略的净获益。

**四、 讨论与结论**

本研究表明，采用具有较少指标的简约逻辑回归模型（含有WC与TG）能够在本队列中高效识别PDC。其中M2模型基于年龄、BMI、SBP、DBP和WC的完全非侵入性数据，提供了同等可靠的识别性能，免除了采血等实验室检查负担，有望作为临床与社区环境中PDC初筛的实用工具。基于饮食偏好建立的模型为体质识别提供了另一种低负担的信息来源。总体而言，与部分复杂模型相比，采用结构化常规指标的逻辑回归模型显示了更好的泛化稳定性，这可能与较小样本量有关。此外，该研究结合常规评估和自述饮食信息不仅扩展了以往完全依赖进阶调查的PDC建模研究，还通过SHAP框架在整体和个体层面挖掘了关键预测因子，从而有力支持了PDC识别在代谢疾病早期风险预警及预防策略中的潜在价值。研究结论指出，该研究开发的基于临床变量和饮食偏好、可解释的ML模型可改善PDC的识别，包括一个完全非侵入性的候选模型，这些发现支持了通过可及性的PDC识别方法促进代谢疾病早期风险识别和制定预防策略的潜力。未来需通过更大规模的前瞻性多中心研究进一步验证模型的稳健性、通用性和临床适用性。