博文

科学家完成基于可解释机器学习的2型糖尿病预测研究精选

已有 10363 次阅读 2026-7-13 11:44 |系统分类:论文交流

Interpretable machine learning in type-2 diabetes prediction in patients with depressive symptoms: Insights from mendelian randomization and physical activity

科学家完成基于可解释机器学习的2型糖尿病预测研究

韩国成均馆大学Hyunsik Kang团队完成基于可解释机器学习的2型糖尿病预测研究。相关论文于2026年4月发表在国际学术期刊《科学进展》上。

研究人员旨在探讨抑郁与2型糖尿病（T2D）之间的因果关系，并构建一个基于机器学习（ML）的T2D风险预测模型。

该横断面研究采用正向与反向孟德尔随机化（Mendelian Randomization, MR）以及多变量孟德尔随机化（MVMR）分析，基于全基因组关联研究（GWAS）汇总数据进行因果推断。同时，使用2007–2018年美国国家健康与营养调查（NHANES）数据，在存在抑郁症状的人群中（n=790）构建基于机器学习的T2D风险预测模型。研究比较了9种机器学习算法，并结合Boruta特征选择、10折交叉验证以及SHapley Additive exPlanations（SHAP）方法，以识别并解释关键预测因子。此外，还进行了调节效应分析，以评估甘油三酯-葡萄糖指数（TyG index）和身体活动（PA）是否影响预测因素与结局之间的关系。

反向方差加权（IVW）孟德尔随机化分析显示，抑郁的遗传易感性会增加T2D风险（OR=1.38，95% CI：1.01–1.90），而反向分析未发现T2D对抑郁的显著因果影响。多变量孟德尔随机化分析表明，身体活动与T2D风险呈负相关（OR=0.98，95% CI：0.96–0.99，p = 0.001）。Boruta特征选择识别出年龄和TyG指数为重要预测因子。在9种机器学习模型中，LightGBM表现最稳定，在训练集和测试集中的AUROC分别为0.84和0.75，PRAUC分别为0.977和0.956。SHAP分析显示TyG指数具有最高特征重要性（mean SHAP=0.099），其次为年龄（0.025）。调节效应分析发现TyG指数与身体活动之间存在显著交互作用（ΔR²=-0.007，F=4.89，p=0.027）。

这些孟德尔随机化结果支持抑郁对T2D风险具有因果作用，同时TyG指数与身体活动在其中起调节作用。基于机器学习构建的模型为伴抑郁症状人群的T2D风险筛查提供了一种可解释的预测工具。

图片1.png