从传统的代谢标志物到集成学习：机器学习模型在预测青少年非酒精性脂肪肝病（NAFLD）风险方面的比较应用

《Frontiers in Endocrinology》：From traditional metabolic markers to ensemble learning: comparative application of machine learning models for predicting NAFLD risk in adolescents

青少年非酒精性脂肪肝风险预测中，基于NHANES 2011-2020数据的机器学习模型研究显示，Extra Trees（ET）模型通过体脂数据和实验室指标（如腰围、甘油三酯、胰岛素等）实现最优预测性能（AUC=0.784），其SHAP分析揭示了腰围、甘油三酯、胰岛素等关键特征的非线性阈值效应，并开发了交互式在线预测工具。

　　非酒精性脂肪肝病（NAFLD）在青少年群体中的发病率正逐年上升，已成为全球公共卫生领域的重要挑战之一。由于目前依赖影像学检查和侵入性诊断手段如肝活检，这些方法在大规模筛查中存在成本高、操作复杂以及潜在风险等问题。因此，开发一种准确、经济且非侵入性的风险预测工具显得尤为迫切。本研究旨在利用美国国家健康与营养调查（NHANES）2011至2020年的数据，结合多种机器学习（ML）模型，探索适用于青少年NAFLD风险预测的有效方法。

研究团队收集了2,132名美国青少年的数据，并通过Light Gradient Boosting Machine（LightGBM）算法对变量进行重要性排序，选取了前10个预测变量用于后续模型构建。为了确保变量选择的稳定性，研究者还采用了L1惩罚的逻辑回归、Boruta和置换重要性相结合的共识策略。结果显示，这些变量包括腰围（WC）、甘油三酯（TG）、胰岛素、血小板计数（PLT）、身高、空腹血糖（GLU）、白细胞计数（WBC）、总胆固醇（TC）、红细胞计数（RBC）和高密度脂蛋白（HDL）。这些变量不仅在成年人中已被证实为NAFLD的显著预测因子，而且在青少年群体中也显示出重要的临床意义。

为了全面评估模型的性能，研究团队构建并测试了九种监督学习算法，包括人工神经网络（ANN）、决策树（DT）、Extra Trees（ET）、梯度提升（GB）、K近邻（KNN）、LightGBM、随机森林（RF）、支持向量机（SVM）和XGBoost。研究过程中，为了应对数据集中NAFLD比例较低（13%）的问题，研究者采用了合成少数类过采样技术（SMOTE）对训练集进行处理，以缓解类别不平衡对模型训练的不利影响。此外，通过五折分层交叉验证对模型的超参数进行了优化，最终在完整训练集上重新训练模型，以确保模型的稳定性和泛化能力。

模型评估指标包括曲线下面积（AUC）、准确率（ACC）、灵敏度、特异性、精确度、F1分数和Kappa值。结果显示，在训练集中，随机森林（RF）的AUC值最高，达到1.000，但其在测试集中的表现相对不稳定，AUC值为0.760。相比之下，Extra Trees（ET）模型在训练集和测试集中均表现出良好的预测能力，AUC值分别为0.784和0.788，同时在准确率（0.773）、精确度（0.324）和Kappa值（0.320）方面也优于其他模型。这表明ET模型在识别NAFLD方面具有较高的平衡性和可靠性。此外，研究者还对ET模型与基于TyG指数的传统逻辑回归模型进行了比较。尽管TyG指数衍生模型在灵敏度方面表现较好，但其精确度和整体准确率较低，容易产生误判。因此，ET模型在实际应用中可能更具优势。

为了提高模型的可解释性，研究者使用了SHapley Additive exPlanations（SHAP）方法，对各变量的贡献进行了量化分析。SHAP分析表明，腰围、甘油三酯、胰岛素、红细胞计数和高密度脂蛋白是影响青少年NAFLD风险的关键变量，其中腰围和甘油三酯的升高与风险增加呈非线性关系，而高密度脂蛋白的升高则表现出一定的保护作用。这些结果不仅揭示了传统风险因素的相对重要性，还进一步展示了变量之间复杂的相互作用关系，有助于临床医生更好地理解NAFLD的发生机制。

基于上述分析，研究团队开发了一个交互式的在线风险预测工具，使用Streamlit平台构建，旨在为临床提供便捷的风险评估服务。该工具允许用户输入基本的人体测量和实验室检测数据，并输出个性化的NAFLD风险概率。同时，工具还提供了SHAP分析的可视化结果，使用户能够直观地了解各个变量对预测结果的具体贡献。这种结合机器学习与临床可解释性的方法，不仅提升了模型的实用性，也为青少年NAFLD的早期筛查和干预提供了有力支持。

从临床角度来看，该模型的优势在于其依赖于常规临床指标，无需复杂的设备或昂贵的检测手段，便于大规模推广和应用。此外，模型通过识别腰围、甘油三酯、胰岛素等变量的非线性阈值效应，为临床制定早期干预策略提供了参考依据。例如，研究显示，腰围和甘油三酯水平的显著升高会直接导致NAFLD风险的跃升，而高密度脂蛋白的升高则可能起到一定的保护作用。这些发现对于指导青少年的健康管理具有重要意义。

尽管本研究取得了诸多成果，但也存在一些局限性。首先，所使用的数据为横断面研究数据，无法提供因果推断的直接证据。其次，NAFLD的诊断主要依赖于生化指标，而非金标准的肝活检，这可能导致部分误诊或漏诊。此外，虽然研究者通过多种特征选择方法筛选了关键变量，但仍有可能遗漏一些重要的遗传或环境因素。最后，由于研究样本仅限于美国青少年，其结果在其他人群中的适用性仍需进一步验证。

总体而言，本研究通过机器学习方法，成功构建了一个适用于青少年NAFLD风险预测的模型，并结合SHAP分析提升了模型的可解释性。该模型不仅在预测性能上优于传统指标，还为临床提供了一种低成本、高效率的筛查工具。未来，随着更多研究数据的积累和技术的不断进步，该模型有望在更广泛的青少年群体中推广应用，为NAFLD的早期识别和干预提供科学依据。同时，研究团队还计划进一步验证该模型在不同种族、年龄和性别群体中的适用性，以提高其普适性和临床价值。