面向多器官功能失调的可解释视网膜成像预测：2 型糖尿病研究
机器学习
2026-05-26 v1 人工智能
其他定量生物学
摘要
背景：2 型糖尿病（T2DM）日益被认可为一种全身性疾病，表现为代谢、肾、脂质和炎症通路的协调性功能失调。现有临床评估往往无法捕捉这种多维负担。方法：我们对 1195 名患者进行了回顾性研究，使用常规收集的实验室生物标志物。构建了量化器官特异性功能失调的系统级异常指数，并定义多系统参与为两个以上系统的异常。训练了监督机器学习模型，包括逻辑回归、随机森林和梯度提升树，以预测多系统失调。通过 Shapley 增量解释（SHAP）实现模型可解释性。结果：梯度提升模型表现出近乎完美的区分度（AUC=1.000），显著优于逻辑回归（AUC=0.925）。特征归因分析揭示，高血糖、肾功能不全、血脂异常和炎症是多系统风险的主要驱动因素。分部分置分析进一步支持了模型预测的生物学合理性。结论：本研究提出了一个可解释的数据驱动框架，用于量化 T2DM 的全身性疾病负担。通过将常规生物标志物与多器官功能失调关联，本方法在提供预测准确性和机制性洞察方面均具有潜力，为改进糖尿病护理中的风险分层和精准医学提供了可能。该研究使用的数据和代码已在 GitHub公开：https://github.com/MiniHanWang/Type-2-Diabetes-1.git
引用
@article{arxiv.2605.24912,
title = {Explainable Retinal Imaging for Prediction of Multi-Organ Dysfunction in Type 2 Diabetes},
author = {Mini Han Wang and Liting Huang and Wei Hong and Boonthawan Wingwon},
journal= {arXiv preprint arXiv:2605.24912},
year = {2026}
}
备注
15 pages, 8 figures