基于胃电图的 II 型糖尿病早期预测：优化的混合机器学习框架成果显著

为解决 II 型糖尿病早期预测问题，研究人员开展基于胃电图（EGG）的研究，提出 MH-XGB 分类器，准确率达 95.8%，有助于早期诊断。

　　

糖尿病：亟待突破的健康难题

在全球范围内，糖尿病已逐渐演变成一个严峻的公共卫生问题，其中 II 型糖尿病尤为突出。在印度，由于现代生活方式的转变、饮食习惯的改变等因素，II 型糖尿病的患病率呈显著上升趋势，严重威胁着人们的健康。传统的糖尿病检测方法，如血糖检测等，往往需要在疾病发展到一定阶段才能准确检测出来，难以实现早期诊断。而早期诊断对于糖尿病的治疗和控制至关重要，它能够帮助患者及时调整生活方式、接受治疗，有效延缓疾病的进展，降低并发症的发生风险。因此，寻找一种能够早期、准确预测 II 型糖尿病的方法迫在眉睫。

在这样的背景下，来自印度韦洛尔科技大学（Vel Tech Rangarajan Dr. Sagunthala R&D Institute of Science and Technology）等多个机构的研究人员展开了深入研究。他们的研究成果发表在《Scientific Reports》上，为 II 型糖尿病的早期预测带来了新的希望。

研究的 “秘密武器”：多种关键技术

研究人员为实现 II 型糖尿病的早期预测，运用了多种先进技术。在数据采集方面，他们设计并开发了一种三电极便携式胃电图（ElectroGastroGram，EGG）信号采集设备，从正常个体和 50 - 65 岁的 II 型糖尿病患者身上采集 EGG 信号，这些信号记录了胃部的电活动情况。

在数据处理与分析阶段，研究人员采用了多种技术。首先是特征提取，从时间和频率两个领域，对正常和糖尿病 EGG 信号提取了共计 20 个特征，如方差（Variance，V）、均方根（Root Mean Square，RMS）等，这些特征能够反映 EGG 信号的不同特性。接着，利用遗传算法（Genetic Algorithm，GA）、蚁群优化算法（Ant Colony Optimization，ACO）、模拟退火算法（Simulated Annealing，SA）以及基于可解释人工智能（Explainable Artificial Intelligence，XAI）的 SHapley Additive exPlanations（SHAP）等方法进行特征选择，筛选出对分类最有价值的特征。最后，运用随机森林（Random Forest，RF）分类器、极端梯度提升（eXtreme Gradient Boosting，XGBoost）分类器以及基于元启发式的混合极端梯度（Meta-Heuristic based Hybrid Extreme Gradient，MH-XGB）提升分类器对 EGG 信号进行分类，判断信号来自正常个体还是糖尿病患者。

研究成果大揭秘

1. EGG 信号的差异：研究人员通过对采集到的 EGG 信号进行分析，发现正常个体和 II 型糖尿病患者的 EGG 信号存在明显差异。正常 EGG 信号的平均频率约为 3 Cycles Per Minute（CPM），而糖尿病患者的 EGG 信号频率超出了正常范围。并且，通过对信号进行归一化处理后观察到，两者在波形等方面也有所不同，这表明 EGG 信号与糖尿病之间存在紧密联系，为后续的研究奠定了基础。
2. 特征选择结果：运用多种特征选择方法后，研究发现不同方法筛选出的特征既有差异又有共性。例如，GA、ACO、SA 和 XAI 都选择了方差特征。通过 SHAP 基于 XAI 的特征重要性图分析，确定了 12 个显著特征。这些特征的确定为后续分类器的训练提供了关键信息，有助于提高分类的准确性。
3. 分类器性能对比：研究人员用 80% 的选定特征训练三个不同的分类器模型，用剩下 20% 的特征测试其性能。结果显示，MH-XGB 分类器表现优异，准确率达到 95.8%，灵敏度为 100%，特异性为 92.3%，AUC 为 0.9545，F1_Score 为 0.96，False Positive Rate（FPR）为 0.077 。与 RF 分类器和 XGBoost 分类器相比，MH-XGB 分类器在各项性能指标上都更胜一筹，证明其在区分正常和糖尿病 EGG 信号方面具有强大的能力。
4. 实际应用测试：研究人员将 MH-XGB 分类器部署在 MultiProcessor System on Chip（MPSoC）ZCU 104 评估套件上，构建了实时糖尿病预测系统。测试结果表明，该系统能够通过分析个体的消化状况，辅助医生利用基于 EGG 的非侵入性技术早期诊断 II 型糖尿病，展现出良好的实际应用潜力。

研究结论与意义

这项研究成功构建了一个基于 EGG 信号的非侵入性评估框架，用于早期预测 II 型糖尿病。通过 XAI 技术，特别是 SHAP 方法，有效确定了突出的 EGG 信号特征，提升了预测的准确性。所提出的 MH-XGB 分类器在性能上超越了传统的 RF 分类器和 XGBoost 分类器，为 II 型糖尿病的早期诊断提供了更可靠的工具。此外，该分类器已被部署到实时糖尿病预测设备中，能够对个体的消化状况进行检测，有助于早期发现糖尿病，在临床应用方面具有重要价值。

从更广泛的角度来看，该研究成果不仅为糖尿病的早期诊断开辟了新途径，还为其他疾病的早期预测提供了参考，推动了非侵入性诊断技术和机器学习在医疗领域的应用发展。未来，研究人员计划进一步拓展 MH-XGB 分类器的应用范围，将其应用于其他疾病的预测，并尝试将其部署到可穿戴设备中，实现对更多生理健康状况的实时监测，为人们的健康保驾护航。