《PLOS One》:Predicting visual impairment in type 2 diabetes using key performance indicators identified by the Black Widow and Whale Optimization Algorithms: A case study in Saudi Arabia
编辑推荐:
摘要专业翻译
视觉损伤(VI)是2型糖尿病(T2D)的一种严重且普遍的并发症,在高风险人群中尤为突出,凸显了早期预测策略的迫切需求。研究人员开展了一项回顾性横断面研究,旨在开发并验证用于沙特阿拉伯T2D患者视觉损伤预测的机器学习(ML)模型。据研究人员所知,这
摘要专业翻译
视觉损伤(VI)是2型糖尿病(T2D)的一种严重且普遍的并发症,在高风险人群中尤为突出,凸显了早期预测策略的迫切需求。研究人员开展了一项回顾性横断面研究,旨在开发并验证用于沙特阿拉伯T2D患者视觉损伤预测的机器学习(ML)模型。据研究人员所知,这是首项采用鲸鱼优化算法(WOA)和黑寡妇优化算法(BWO)作为特征选择技术,以识别沙特T2D患者视觉损伤最具信息量预测因子的研究。研究人员随后分别基于临床推荐特征以及由WOA和BWO算法筛选的特征开发并比较了预测模型,以确定最优特征集对预测性能的影响。研究分析了来自阿卜杜勒阿齐兹国王大学医院的1,000例T2D患者(555例VI [55.5%];445例非VI [44.5%])的医疗记录。模型采用80/20分层训练-测试分割进行开发,并在训练集上执行5折交叉验证进行内部验证。患者被分为两组:HbA1c≥6.5%组(完整数据集)以及临床相关的高风险亚组HbA1c>8%组(缩减数据集),后者纳入19项推荐的人口统计学、生活方式和血脂特征。采用缩减数据集的模型在所有算法中均持续取得更优性能。其中,WOA-CatBoost模型表现最佳(准确率=0.95,AUC=0.96,95% CI:0.94–0.98),仅使用9个特征,优于BWO-随机森林(BWO-RF)模型(准确率=0.92,AUC=0.90,95% CI:0.87–0.93,10个特征)以及基线多层感知器(MLP)模型(准确率=0.91,AUC=0.94,95% CI:0.91–0.97,13个特征)。基于五折交叉验证准确率的Bonferroni校正配对t检验(α=0.017)证实WOA-CatBoost相对于BWO-RF具有显著性能优势(t=10.17,p<0.001),支持WOA-CatBoost作为整体最优模型。三个最优模型共同识别出的关键预测因子包括糖化血红蛋白(HbA1c)、身体质量指数(BMI)、年龄、职业、甘油三酯(TG)、食物类型和吸烟状况。上述发现表明,WOA-CatBoost为沙特阿拉伯医疗保健背景下T2D患者视觉损伤风险分层提供了一种具有临床可操作性且简约的预测工具。
论文解读文章
一、研究背景与问题提出
2型糖尿病(T2D)已成为全球重大公共卫生挑战,影响超过5亿人口,对医疗系统造成巨大压力,中东国家如沙特阿拉伯尤为突出。T2D伴随多种并发症,其中视觉损伤(VI)是最严重且致残性最高的结局之一。慢性高血糖逐渐损害视网膜微血管,导致视网膜出血、液体积聚和黄斑水肿,最终造成视觉功能渐进性或突发性下降。流行病学证据显示,糖尿病病程15–20年的患者中约80%会出现某种形式的视觉损伤。全球约有22亿人受视觉损伤影响,其中约390万例归因于糖尿病视网膜病变(DR)。
既往研究虽已识别出一系列与T2D患者视觉损伤相关的风险因素,但仍存在若干关键局限:其一,多数研究聚焦于糖尿病视网膜病变而非更广泛的视觉损伤结局;其二,依赖传统统计学方法或单一生物标志物(如HbA1c)进行风险分层,主要反映群体水平风险而非患者个体化预测,难以捕捉人口统计学、代谢和临床因素之间复杂的非线性交互作用;其三,先进机器学习方法尤其是受自然启发的特征选择技术的应用有限;其四,缺乏针对沙特阿拉伯人群的本地验证预测模型,限制了国际研究结果在该地区医疗情境中的可推广性。
基于上述空白,本研究旨在利用沙特本地临床数据,开发并内部验证用于识别T2D患者视觉损伤的机器学习框架。该研究的创新性体现在四个方面:首次聚焦沙特T2D患者的视觉损伤结局;同时采用临床推荐预测因子和两种受自然启发的特征选择方法(鲸鱼优化算法WOA与黑寡妇优化算法BWO)筛选预测因子;系统评估11种机器学习分类器在有无特征选择条件下的预测性能;并在HbA1c≥6.5%(完整数据集)和HbA1c>8%(高风险缩减数据集)两种情境下评估模型性能,以提高临床可解释性。
二、研究设计与方法概述
研究人员使用来自沙特阿拉伯吉达阿卜杜勒阿齐兹国王大学医院(KAUH)2018年1月1日至2022年12月31日期间4,526例确诊T2D患者的匿名医疗记录。经排除2,000例非糖尿病记录后,剩余2,526例T2D患者经预处理(剔除缺失率>90%及近零方差变量,变量数由35降至19;剔除缺失严重无法可靠插补的记录),最终分析队列为1,000例T2D患者(555例VI [55.5%];445例非VI [44.5%])。缺失值采用连续变量均值插补和分类变量众数插补处理。事件每变量(EPV)比为29.2,远超推荐最低阈值10。Shapiro–Wilk检验确认所有连续变量满足正态性假设(p>0.05),方差膨胀因子(VIF)最大值4.12低于5.0阈值,表明无多重共线性问题。
研究采用的主要关键技术方法包括:(1)黑寡妇优化算法(BWO),一种受黑寡妇蜘蛛交配和生存策略启发的群体元启发式算法,通过繁殖、同类相食和突变三种核心算子迭代优化特征子集,以随机森林(RF)分类准确率作为适应度评估;(2)鲸鱼优化算法(WOA),一种模拟座头鲸气泡网捕食策略的生物启发元启发式算法,通过包围猎物和螺旋更新两种核心机制平衡开发与探索,同样以交叉验证RF分类器准确率引导特征子集优化;(3)11种机器学习分类器,包括自适应提升(AdaBoost)、逻辑回归(LR)、支持向量机(SVM)、决策树(DT)、K近邻(KNN)、随机森林(RF)、多层感知器(MLP)、朴素贝叶斯(NB)、极限梯度提升(XGBoost)、类别提升(CatBoost)和梯度提升(GraBoost);(4)80/20分层训练-测试分割与5折交叉验证内部验证框架;(5)网格搜索超参数优化;(6)SHAP值特征重要性解释分析。
三、研究结果
5.1 基于WOA的关键特征选择(完整数据集与缩减数据集对比)
研究人员应用WOA进行特征选择,鲸鱼种群数量N设为{10, 20, 30, 40, 50, 60},最大迭代次数T为100,并设置连续10次迭代无改进即提前终止的早停准则。适应度函数基于RF分类器5折交叉验证准确率。在完整数据集(HbA1c≥6.5%)中,模型准确率从约0.73开始,随迭代次数增加逐步提升,N=60时最高准确率达约0.84;在缩减数据集(HbA1c>8%)中,初始准确率约0.81,收敛速度更快,N=60时达到约0.89。特征选择频率高于80%被视为稳定特征并保留。完整数据集中14个特征被保留:BMI、HbA1c、TG、食物类型、年龄、SBP、HDL、维生素D、体力活动、婚姻状况、职业、性别、吸烟和TC;缩减数据集中仅9个特征被选择:HbA1c、HDL、食物类型、年龄、BMI、TG、吸烟、职业和性别。
5.2 基于BWO的关键特征选择(完整数据集与缩减数据集对比)
研究人员应用BWO算法,设置交叉率0.7、同类相食率0.4、突变率0.1,种群规模N∈{10, 20, 30, 40, 50, 60},最大100次迭代。完整数据集中,初始最佳准确率范围约0.71(10只蜘蛛)至0.79(60只蜘蛛),100次迭代后终值约0.76至0.88;缩减数据集初始准确率较高(约0.83至0.85),收敛更快更紧凑,100次迭代后稳定在约0.86至0.90。选择频率超过80%的特征被保留:完整数据集12个特征(HbA1c、HDL、体力活动、TG、BMI、吸烟、食物类型、SBP、TC、年龄、性别和职业);缩减数据集10个特征(HbA1c、TG、职业、年龄、吸烟、食物类型、BMI、高血压、WBC和维生素D)。
5.3 模型超参数优化
研究人员针对完整数据集和缩减数据集,分别对基线、WOA和BWO三种方法独立进行超参数调优,采用训练集内网格搜索结合分层5折交叉验证,选择平均交叉验证性能最高的配置,最终分类器在完整训练集上重新拟合后在独立测试集上评估。
5.4 基线机器学习模型(无特征选择)预测性能评估
在完整数据集(HbA1c≥6.5%)中,MLP表现最佳,测试准确率0.88、精确率0.89、召回率0.89、F1分数0.89、MCC 0.78、Kappa 0.76、AUC 0.90。XGBoost、CatBoost和RF也表现竞争性(准确率分别为0.87、0.86和0.85)。在缩减数据集(HbA1c>8%)中,多数分类器性能提升,MLP再次最优,测试准确率0.91、精确率0.92、召回率0.93、F1分数0.92、MCC 0.88、Kappa 0.86、AUC 0.94。MLP在缩减数据集中识别出13个关键变量,HbA1c为最重要预测因子,其后依次为TG、年龄、吸烟、食物类型、BMI、HDL、性别、高血压、职业、维生素D、体力活动和WBC。
5.5 基于WOA特征选择的机器学习模型预测性能评估
完整数据集中选择14个特征,XGBoost表现最优(准确率0.92、AUC 0.94),CatBoost紧随其后(准确率0.91)。缩减数据集中特征数降至9个,CatBoost取得最高整体性能:测试准确率、精确率、召回率和F1分数均达0.95,MCC 0.92、Kappa 0.91、AUC 0.96。MLP、RF和SVM均达到0.94准确率,XGBoost为0.93。缩减数据集以更少特征实现更优预测性能,CatBoost仅用9个特征即超越所有其他分类器。
5.6 基于BWO特征选择的机器学习模型预测性能评估
完整数据集选择12个变量,RF取得最高测试准确率0.90(AUC 0.89),MLP为0.88,KNN为0.87。缩减数据集选择10个变量,RF再次最优:测试准确率0.92、精确率0.91、召回率0.91、F1分数0.91、MCC 0.83、Kappa 0.83、AUC 0.90。MLP准确率0.90,CatBoost为0.89,GraBoost为0.88。缩减数据集以更少特征实现更优性能。
四、显著预测因子识别与模型比较
三个最优模型(基线-MLP、WOA-CatBoost和BWO-RF)在缩减数据集上识别的预测变量中,HbA1c、TG、年龄、食物类型、职业、吸烟和BMI是跨模型最一致的预测因子。SHAP分析显示:基线-MLP模型中TG为最强预测因子,其后为HbA1c、年龄、吸烟、职业、食物类型、BMI和HDL;WOA-CatBoost模型中HbA1c为主导预测因子,其后为TG、年龄、食物类型、职业、吸烟和BMI;BWO-RF模型中HbA1c仍居首位,其后为TG、食物类型、年龄、职业、BMI和吸烟。七个核心特征间Spearman成对相关性分析显示仅弱相关(|ρ|≤0.31),表明所选变量共线性有限。
五、模型性能比较与统计检验
缩减数据集(HbA1c>8%)上三种方法最优模型比较显示:基线方法最优模型为MLP(13个特征),准确率0.91、AUC 0.94;WOA方法最优模型为CatBoost(9个特征),准确率0.95、AUC 0.96;BWO方法最优模型为RF(10个特征),准确率0.92、AUC 0.90。基于五折交叉验证准确率的Bonferroni校正配对t检验(α=0.017)确认WOA-CatBoost显著优于BWO-RF(t=10.17,p<0.001),支持WOA-CatBoost为整体最优模型。
六、结论
本研究首次将WOA和BWO作为特征选择技术应用于沙特T2D患者视觉损伤预测。研究结果表明,WOA-CatBoost模型以仅9个特征实现准确率0.95、AUC 0.96的优异性能,优于BWO-RF(10个特征,准确率0.92、AUC 0.90)和基线MLP(13个特征,准确率0.91、AUC 0.94)。HbA1c、BMI、年龄、职业、TG、食物类型和吸烟被确认为跨模型一致的关键预测因子。该研究为沙特医疗保健情境下T2D患者视觉损伤风险分层提供了一种临床可操作且简约的预测工具,为未来外部验证和临床实施奠定了方法论基础。