基于血液学与人口学数据的二元分类机器学习建模吸烟依赖严重程度的影响因素

《Diagnostics》:Modeling Factors Associated with Smoking Dependence Severity Using Binary Classification-Based Machine Learning: Prediction with Hematological and Demographic Patient Data

【字体: 大 中 小 】 时间:2026年10月22日 来源:Diagnostics 3.8

编辑推荐:

  背景/目的:Fagerstr?m尼古丁依赖测试(FTND)是一种基于自我报告的主观评估工具,用于对尼古丁依赖程度进行分级。全血细胞计数(CBC)参数可反映吸烟相关系统性炎症的标志物。本研究旨在开发一种无数据泄漏且可解释的机器学习方法,利用人口学数据、CBC参数

  
背景/目的:Fagerstr?m尼古丁依赖测试(FTND)是一种基于自我报告的主观评估工具,用于对尼古丁依赖程度进行分级。全血细胞计数(CBC)参数可反映吸烟相关系统性炎症的标志物。本研究旨在开发一种无数据泄漏且可解释的机器学习方法,利用人口学数据、CBC参数及吸烟暴露时长对FTND水平进行分类。 方法:在这项回顾性研究中,纳入了660例就诊于Malatya培训与研究医院戒烟门诊且资料完整的患者记录。由于FTND六个条目中有一项直接对每日吸烟支数进行评分,因此每日吸烟包数及其相关特征构成数据泄漏,被排除在数据池之外。吸烟时长(年)不属于FTND条目,被保留作为吸烟暴露的唯一预测因子。特征工程生成了49个候选特征。评估了六种基础学习器(逻辑回归、随机森林、梯度提升、支持向量机(SVM)、LightGBM、XGBoost)及一种堆叠集成模型,采用80%–20%训练/测试集划分及10折分层交叉验证。为防止乐观偏倚,特征选择与标准化仅在训练折内进行,并通过类别加权处理类别不平衡问题。采用SHAP和LIME对模型进行解释,并通过消融分析量化各特征族的贡献。 结果:在无泄漏的10折交叉验证(主要性能估计)中,判别能力中等,SVM(RBF核)与逻辑回归均获得最高AUC(0.652);在单一留出测试集上,堆叠集成模型达到AUC 0.749(95%置信区间 0.667–0.831)。完整模型并未显著优于单独使用吸烟时长(DeLong检验p = 0.22),且大量特征工程未带来可测量的增益(ΔAUC = ?0.015)。SHAP分析显示,吸烟时长及基于年龄的交互项贡献最大。 结论:常规CBC参数本身并不构成判断依赖严重程度的独立诊断工具;它们仅携带微弱的补充信息,不应被视为筛查生物标志物。本研究为探索性研究,将常规CBC参数与机器学习及可解释人工智能相结合,在个体患者层面进行基于FTND的尼古丁依赖严重程度分类;该模型尚不具备临床使用条件。
研究背景与问题
吸烟每年导致全球超过七百万人死亡,是世界上最主要的可预防性致死因素之一。尼古丁依赖程度直接影响戒烟治疗的成功率及治疗方案的选择,因此准确评估依赖程度对制定有效治疗计划至关重要。Fagerstr?m尼古丁依赖测试(FTND)是目前临床应用最广泛的尼古丁依赖评估工具,但该量表基于患者自我报告,存在回忆偏倚和社会期望偏倚的固有局限。近年来,机器学习方法已被应用于基于磁共振成像(MRI)、脑电图(EEG)等生理信号的尼古丁依赖评估,但这些方法成本高昂、需要专门设备,难以在常规医疗服务中推广。全血细胞计数(CBC)作为一项低成本、普遍可及的常规实验室检查,其参数可反映吸烟相关的慢性炎症和血液学改变,具备作为客观评估指标的潜力。然而,既往关于CBC参数与依赖程度关联的研究多采用经典统计方法,且很少将CBC参数与吸烟暴露时长联合用于FTND水平的机器学习分类。此外,一个关键的方法学问题在于:FTND六个条目中有一项直接对每日吸烟支数进行评分(占总分10分中的最多3分),因此每日吸烟包数及其衍生的包年变量并非独立预测因子,而是结局的组成部分,将其用于预测依赖水平将导致目标泄漏,人为抬高模型表现。既往研究大多未明确区分报告的性能中有多少来自真实的生物学信号、多少来自定义上的重叠。
研究内容与结论
针对上述问题,研究人员开展了一项回顾性研究,纳入660例就诊于Malatya培训与研究医院戒烟门诊、资料完整且无慢性疾病或用药史的患者(年龄18–70岁,男性449例占68.0%,女性211例占32.0%)。研究将FTND≥6定义为高依赖组(n = 423,64.1%),FTND<6定义为低至中度依赖组(n = 237,35.9%)。研究人员在分析前即排除了与结局重叠的每日吸烟包数及包年变量,以吸烟时长(年)作为吸烟暴露的唯一合法预测因子,并基于人口学变量、17项CBC参数和吸烟时长通过特征工程构建了49个候选特征池。研究采用无泄漏的评估方案:特征选择(递归特征消除,RFE)和标准化仅在每个交叉验证折的训练部分内进行,并通过类别加权处理类别不平衡。研究评估了六种基础学习器(逻辑回归、随机森林、梯度提升、SVM、LightGBM、XGBoost)及堆叠集成模型,并使用SHAP和LIME进行模型解释,通过消融分析量化各特征族的贡献。
主要技术方法
研究采用的关键技术方法包括:①无泄漏的机器学习流程——递归特征消除(RFE)在交叉验证训练折内重复进行,标准化器仅拟合于训练部分;②六种基础学习器与逻辑回归元学习器的堆叠集成;③类别加权(成本敏感学习)处理类别不平衡;④SHAP和LIME可解释人工智能技术;⑤消融分析量化特征族贡献;⑥DeLong检验和分层bootstrap进行统计比较。样本队列来源于Malatya培训与研究医院戒烟门诊2025年5月1日至2026年4月1日期间就诊的1321例患者记录,最终纳入660例。
研究结果
3.1 模型性能:在无泄漏10折交叉验证中,SVM(RBF核)和逻辑回归获得最高AUC(均为0.652 ± 0.078和0.652 ± 0.090),随机森林和堆叠集成均为0.638;在单一留出测试集上,堆叠集成达到最高AUC(0.749),逻辑回归为0.746。所有模型的交叉验证AUC均未超过0.66。在默认阈值0.5下,逻辑回归呈现最均衡的敏感度(0.706)与特异度(0.681)表现,准确率最高(0.697)。
3.2 决策阈值优化:采用Youden指数确定最优阈值后,堆叠集成在阈值0.409时获得所有模型中最高的F1分数(0.798),并与逻辑回归并列最高准确率(0.712)。XGBoost在低阈值(0.389)下敏感度升至0.882但特异度降至0.277,表明阈值选择应根据临床优先级调整。
3.3 特征选择与消融分析:RFE从49个候选特征中选出13个特征,其中11个为特征工程产物(1个衍生指标BMI、10个交互项),2个为原始变量(吸烟时长和血小板计数)。消融分析显示:完整特征池的交叉验证AUC为0.652;去除吸烟时长后降至0.601;单独使用吸烟时长时AUC为0.678,高于完整49特征池;单独使用17项原始CBC参数时AUC仅为0.594。DeLong检验表明,完整模型并未显著优于单独使用吸烟时长(p = 0.22),而完整模型和吸烟时长均显著优于单独使用原始CBC参数(p = 0.016和p = 0.010)。在不同FTND截断值(≥5、≥7)的敏感性分析中,相对模式(吸烟时长≈完整模型?原始CBC)保持不变。将FTND作为连续结局建模时,完整模型的R2仅为0.12,吸烟时长单独为0.11,原始CBC面板几乎不解释方差(R2 = 0.03)。
3.4 可解释人工智能:SHAP和LIME:SHAP全局特征重要性显示,年龄×白细胞交互项贡献最大(平均|SHAP| = 0.742),其次为吸烟时长(0.686)、年龄×中性粒细胞(0.584)、年龄×血小板(0.451)和BMI×血小板(0.419)。由于所选特征间存在多重共线性(9/13个特征方差膨胀因子>10),相关特征可携带相反符号的权重部分相互抵消,SHAP值描述的是模型内的预测贡献而非生物学效应。随机森林特征重要性中吸烟时长排名第一(重要性≈0.105)。LIME个体解释显示,吸烟时长和基于年龄的交互项对个体预测贡献最大。
3.5 变量与依赖水平的关联:吸烟时长与FTND评分的Spearman相关系数最强(ρ = +0.353),年龄次之(ρ = +0.247)。经相互校正后,吸烟时长仍与FTND评分相关(偏ρ = +0.27,p < 0.001),而年龄不再呈正相关(偏ρ = ?0.08,p = 0.03)。白细胞计数是最强的血液学变量(ρ = +0.184),其余有显著关联的CBC参数ρ值均<0.19。值得注意的是,四种炎症衍生指标(NLR、PLR、MLR和SII)均未与FTND评分显示显著关联(FDR校正p > 0.10)。
讨论与结论
讨论部分指出,本研究区别于同类研究的关键在于先验排除与结局重叠的消费量变量,从而获得常规临床数据对依赖严重程度真实判别能力的无偏估计。消融分析定量显示,即使排除了重叠变量,模型的判别力主要来源于吸烟时长这一合法的暴露测量指标,而常规血常规参数单独使用时判别力接近随机水平(AUC = 0.594)。这一结果与三条独立证据链生物学一致:孟德尔随机化研究显示吸烟对血细胞计数的因果效应量很小(每等位基因百分比差异为1.07%–1.50%);临床研究中依赖水平相关的血常规指标差异虽具统计显著性但分布重叠广泛;血常规变化反映的是暴露及伴随的系统性炎症而非依赖本身。研究还指出,区分吸烟者与从不吸烟者在结构上远比在吸烟者内部进行依赖程度分级容易,本研究的无泄漏交叉验证AUC(0.652)与使用多模态昂贵数据的研究中组内分类性能(0.68 ± 0.13)处于同一数量级。方法学上,研究强调目标泄漏排除、无泄漏评估方案、消融透明性和双层可解释性是其核心优势。临床意义方面,常规CBC参数本身不构成判断依赖严重程度的独立诊断工具,但可作为多组分评估框架中的补充信息来源。研究局限性包括单中心回顾性设计、无外部验证队列、自我报告结局、样本以男性为主(68%)等。
研究结论部分翻译如下:本研究采用无泄漏设计,先验排除了与结局重叠的变量,评估了基于FTND定义的尼古丁依赖严重程度在多大程度上可由常规全血细胞计数参数、人口学变量和吸烟时长预测。常规全血细胞计数参数本身并不构成判断依赖严重程度的独立诊断工具;它们仅携带关于依赖严重程度的微弱信息,未能在单独吸烟时长之外改善判别能力,应被视为可能的补充信息来源而非筛查生物标志物。据研究人员所知,本研究是将常规全血细胞计数参数与机器学习及可解释人工智能相结合、在个体患者层面进行基于FTND的尼古丁依赖严重程度分类的领先研究之一。然而,该模型应被视为探索性的:它尚不具备临床使用条件,需要外部多中心验证。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号