6–18岁儿童肥胖的体成分表型分析:多策略聚类与可解释机器学习

《Annals of Human Biology》:Body composition phenotyping of obesity in children aged 6–18 years: multi-strategy clustering and interpretable machine learning

【字体: 大 中 小 】 时间:2026年06月18日 来源:Annals of Human Biology 1.3

编辑推荐:

  背景:儿童肥胖中的体成分异质性尚未被BMI充分刻画,这促使研究人员采用无创测量手段进行操作性表型分析。目的:采用互补聚类方法识别6–18岁儿童基于体成分的肥胖表型,并通过可解释机器学习刻画其判别结构。对象与方法:研究人员采用横断面设计,从单中心门诊连续纳入78

  
背景:儿童肥胖中的体成分异质性尚未被BMI充分刻画,这促使研究人员采用无创测量手段进行操作性表型分析。目的:采用互补聚类方法识别6–18岁儿童基于体成分的肥胖表型,并通过可解释机器学习刻画其判别结构。对象与方法:研究人员采用横断面设计,从单中心门诊连续纳入78例肥胖儿童(6–18岁)。对13项BIA衍生指标进行Z标准化后,采用并行无监督策略(PCA–K-means、HCPC、UMAP–DBSCAN)进行分析。通过平均轮廓系数、Jaccard bootstrap(100次重采样)和调整Rand指数(ARI)评估聚类质量、稳定性与一致性。采用五折交叉验证的随机森林分类器(袋外准确度;宏/微AUC)评估可分离性,并使用SHAP进行可解释性分析。结果:四个表型获得一致支持:低脂/高肌型、均衡型、高脂/低肌型以及混合型(高脂/高肌)。交叉验证性能为准确度85.9%、宏AUC 0.953和微AUC 0.965。结构指标为轮廓系数0.41和ARI 0.94,聚类特异性Jaccard系数分别为0.789/0.812/0.835/0.858(范围0.78–0.86)。SHAP分析优先考虑脂肪质量和BMI;BIA衍生基础代谢指标作为设备估算输出做出贡献,而瘦体重和骨骼肌质量则呈现相反方向的贡献。结论:该探索性单中心框架仅具有假设生成作用,在考虑任何临床应用之前,需要与结局相关标志物及影像学进行外部验证。
本研究发表于《Annals of Human Biology》,旨在解决儿童肥胖评估中BMI无法充分捕捉体成分异质性的关键临床问题。随着全球儿童肥胖患病率持续攀升,中国儿童青少年超重和肥胖合计患病率已接近20%,传统BMI筛查虽简便实用,但无法区分脂肪质量与瘦体重,亦不能反映脂肪分布及骨骼肌质量的个体差异。部分BMI相对正常的儿童可能存在脂肪质量增加伴肌肉量减少的"正常体重肥胖"或"隐性肥胖"现象,而代谢风险还与区域性及异位脂肪沉积、脂肪细胞功能障碍及骨骼肌量减少密切相关。因此,仅凭BMI难以识别生理学差异显著的亚组,无法有效支持早期风险分层。在此背景下,无创、低成本且易于大规模实施的生物电阻抗分析(BIA)技术成为重要的补充评估工具,可同时估计脂肪质量、去脂体重、骨骼肌质量及体液分布,提供多维体成分特征谱。然而,既往研究多采用单一聚类方法,对表型可解释性及实践转化关注不足。

研究人员开展了一项单中心横断面研究,以南通大学附属医院儿科门诊2023年7月至2025年6月期间连续就诊的78例6–18岁肥胖儿童为对象,采用多频BIA(Bodystat QuadScan 4000)获取体成分数据。经特征筛选后保留13项指标(包括细胞外液、细胞内液、干瘦体重、脂肪质量、总体水、瘦体重、骨骼肌质量、体细胞质量、BMI、脂肪质量指数、去脂体重指数、设备估算基础代谢率及其体重调整值),经Z标准化后进行主成分分析(PCA),继而采用三种互补无监督聚类策略:PCA–K-means、基于主成分的分层聚类(HCPC)以及UMAP–DBSCAN。通过轮廓系数、100次bootstrap Jaccard稳定性及ARI评估聚类质量;构建多分类随机森林模型,以五折交叉验证评估表型判别性能,并运用SHAP值进行可解释性分析。

研究结果显示,四聚类方案最具临床可解释性与结构平衡性。四个操作性表型分别为:(1)低脂/高肌型——脂肪负担最低(FM 10±7 kg;FMI 1.82±1.30 kg/m2;BMI 18.2±3.1 kg/m2),维持较高干瘦体重和总体水;(2)高脂/低肌型——脂肪负荷高(FM 38±4 kg;FMI 9.38±1.33 kg/m2),瘦体重及肌肉相关指标最低;(3)均衡型——脂肪度居中,瘦体重和肌肉相关指标相对保留;(4)混合型(高脂/高肌)——高脂肪负担(BMI 31.3±2.3 kg/m2;FMI 11.43±1.10 kg/m2)伴相对保留的瘦体重和肌肉相关指标,设备估算基础代谢率也较高。四个表型涵盖不同性别和年龄组,未呈现单一性别或年龄带的明显集中,提示聚类结构并非主要由性别分布或粗略年龄分层驱动。PCA第一、二主成分分别解释47.3%和37.8%的方差(累积85.1%),PC1主要由FMI、BMI等脂肪相关指标及ECW、TBW等体液相关指标驱动,PC2则主要由SMM、FFMI、BCM、DLM等瘦体重和肌肉相关指标驱动。样本在PC1–PC2空间呈连续分布,提示儿童肥胖更符合具有潜在外组结构的连续体而非完全离散的类别。K-means平均轮廓系数为0.41,HCPC与K-means的ARI达0.94,交叉方法一致性高。Bootstrap Jaccard系数分别为0.789、0.812、0.835和0.858,表明重采样下具有较好的可重复性。UMAP–DBSCAN因参数敏感而作为探索性 adjunct,用于辅助理解连续体结构而非替代主表型框架。

随机森林分类器在五折交叉验证中表现强劲:整体准确度85.9%,宏AUC 0.953,微AUC 0.965,各表型一对一AUC分别为:低脂/高肌型0.90、高脂/低肌型0.99、均衡型0.96、混合型0.96。SHAP全局分析显示,无单一变量绝对主导分类输出,表型分化源于多特征的联合贡献。最具影响的变量包括BMI、脂肪质量、瘦体重及设备估算体重调整基础代谢率(WMR_est),其次为总体水和设备估算基础代谢率(BMR_est)。较高BMI和FM通常呈正向贡献,而较高LM、SMM和BCM倾向于负向或近零贡献,符合脂肪负担与肌肉储备共同塑造肥胖异质性的认识。交互作用层面,整体信号较弱,大多数变量对交互强度低于0.05,提示模型以主效应为主;局部较显著的交互见于BMI与FM、ICW与WMR_est、TBW与BMI或FMI等少数变量对,在极端配置下可能提供增量判别信息。

讨论部分,研究人员首先强调该操作性表型框架的假设生成性质。四个表型可理解为同一肥胖儿童队列中脂肪负担与瘦体组织配置的不同组合:低脂/高肌型相对瘦体重较大、设备估算能量消耗较高;高脂/低肌型则脂肪负荷高伴去脂体重比例较低,与既往将脂肪负担和骨骼肌质量与胰岛素敏感性及更广泛代谢谱关联的证据方向一致;混合型表明相对保留的肌肉质量可与高脂肪共存,但不应仅因肌肉质量较高即视为代谢风险减弱;均衡型介于两极之间,更符合基于连续体的结构配置。研究人员指出,儿童体成分表型不仅受肥胖负担影响,还与生长发育轨迹相关,青春期激素变化影响脂肪分布和骨骼肌比例发育,本次研究未系统收集Tanner分期或青春期激素数据,发育阶段相关残余混杂无法排除。此外,饮食模式及体力活动差异可能促成不同体成分表型,但本研究未直接采集此类数据,引述文献仅为提示潜在外部关联而非对本研究表型差异进行解释归因。

方法学层面,多策略无监督框架减少了对单一算法的依赖,三种独立指标(轮廓系数、Jaccard稳定性、ARI)的收敛证据支持了表型的内聚性、稳定性和可重复性。结合可解释机器学习输出,该框架为非侵入性测量构建和沟通可重复的、面向筛查的体成分表型提供了务实的方法学参考。然而,研究存在明确局限:单中心门诊设计、样本量相对较小,来源人群和转诊特征可能制约体配置的代表性和表型多样性;模型仅经内部交叉验证,缺乏外部验证队列;完全依赖BIA衍生输出,而BIA估计受水合状态、测量时机和预测方程适用性影响,在异质性更高的真实筛查环境中一致性可能下降;未系统记录肥胖持续时间及相关并发症,未能纳入血清代谢物、激素或炎症标志物等生物学数据,亦未涵盖饮食、体力活动和青春期分期等关键协变量。

研究结论指出,该研究利用多策略聚类多频BIA衍生测量,识别了6–18岁儿童四个基于体成分的肥胖表型,反映了脂肪负担与瘦体组织储备的不同配置,其内部稳定性和可分离性得到互补聚类指标和交叉验证分类性能的支持。在该单中心探索性研究的局限下,体成分驱动表型分析可作为BMI的补充,为儿童肥胖异质性提供更结构化、更具临床可解释性的描述,为未来分层研究和结局关联验证提供有用基础。然而,鉴于当前发现源于小样本队列的间接BIA估计且未经外部验证,其普适性和实际应用价值需在更大规模、多中心和纵向研究中结合代谢或影像学参考测量予以确认。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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