通过混合机器学习模型实现可泛化的糖尿病风险分层

背景/目的：糖尿病影响全球超过5.37亿人，预计到2045年将达到7.83亿。早期风险分层可受益于机器学习。我们比较了两种混合分类器，并评估它们在外部队列上的泛化能力。方法：构建了两种混合模型：(i) XGBoost + 随机森林 (XGB-RF) 和 (ii) 支持向量机 + 逻辑回归 (SVM-LR)。一个防泄漏的标准化流水线（编码、插补、min-max缩放；仅在训练折上使用SMOTE；SVM的概率校准）在主要数据集上拟合并冻结。评估优先考虑与阈值无关的判别能力（AUROC/AUPRC）和校准度（Brier分数、斜率/截距）。外部验证使用PIMA队列（N=768），采用冻结流水线；PIMA上任何阈值相关指标均在默认规则τ=0.5下计算。结果：在主要数据集上（PR基线=0.50），XGB-RF达到AUROC约0.995和AUPRC约0.998，优于SVM-LR（AUROC约0.978；AUPRC约0.947）。在PIMA上（PR基线约0.349），XGB-RF保持了强劲性能（AUROC约0.990；AUPRC约0.959）；SVM-LR较低（AUROC约0.963；AUPRC约0.875）。在τ=0.5下PIMA上的阈值相关指标为XGB-RF（准确率0.960；精确率0.941；召回率0.944；F1 0.942）和SVM-LR（准确率0.900；精确率0.855；召回率0.858；F1 0.857）。结论：在内部和外部队列中，XGB-RF始终优于SVM-LR，并在ROC/PR上表现出较小的外部衰减，校准度可接受。这些结果支持基于梯度提升的混合方法作为糖尿病风险分层的鲁棒、可迁移方法，并激励在部署时基于临床权衡进行阈值选择的前瞻性、多站点验证。