基于機器學習算法探討糖尿病視網膜病變的風險因素

宋亞男，武惠韜，應 俊，李琬悅，陳 康，劉鐵城，張卯年，張 穎

1 解放軍總醫院醫學研究創新部 醫療大數據中心，北京 100853；2 解放軍總醫院醫療信息處，北京 100853；3 解放軍醫學院，北京 100853；4 解放軍總醫院第一醫學中心 內分泌科，北京 100853；5 解放軍總醫院第一醫學中心 眼科，北京 100853

糖尿病視網膜病變(diabetic retinopathy，DR)是糖尿病患者主要并發癥。大約1/3 糖尿病(diabetic mellitus，DM) 患者并發有不同程度的DR，并且1/10 的DM 患者會因此而視力損害[1]。隨著生活水平的提高，我國糖尿病患病率顯著上升，絕對患病量不容忽視，其中2 型糖尿病(type 2 diabetic mellitus，T2DM) 占90% 以上[2-3]。由于T2DM 患者的臨床數據樣本量大、影響因素多、結構復雜，缺失和冗余信息易造成樣本分布不均衡，單純使用傳統統計學方法略顯不足，如欠擬合、準確度下降、不能很好地處理大量多類特征或變量、對非線性特征需轉換等[4-5]。近年來，機器學習應用于DR 的人工智能輔助診斷和預測模型被廣泛關注[6-8]。本研究基于解放軍總醫院大數據平臺的DM 并發癥預警數據集，提取臨床觀察變量指標，運用機器學習的方法篩選危險因子，并分析其在DR 形成中的交互作用，結合臨床實際對DM患者預防、控制和管理DR 做出初步探討。

對象與方法

1 研究對象 回顧性分析“國家人口與健康科學數據共享平臺”公布的“解放軍總醫院糖尿病并發癥預警數據集”3 000 例T2DM 患者的臨床資料(2013 年1 月 -2017 年12 月)，其中并發DR 者1 500 例。提取指標包括年齡、身高、體質量等患者基本信息；血壓、血常規、凝血功能以及血糖等血生化相關指標；常見系統并發癥情況。

2 數據清洗 本研究對得到的數據進行了數據清洗，去掉與研究無關以及存在過度缺失的變量，并去掉剩余數據中存在明顯錯誤或數據缺失的研究個體。清洗后共納入2 329 例T2DM，其中合并DR 患者組1 208 例，無DR 并發癥(non diabetic retinopathy，NDR) 組1121 例；共提取到58 個觀察指標變量。

3 特征選擇 使用遞歸特征消除(recursive feature elimination，RFE) 進行特征選擇，確定納入變量的個數最優解及最終進入模型的預測變量。RFE 方法以整個數據集為起點，以預測精度為評價標準，通過每次迭代消除最小相關變量。在此基礎上進行特征排序。變量越相關，排名越高。RFE 方法根據上述評價準則生成若干特征子集，并最終選擇最優特征子集。在本研究中，隨機森林(random forest，RF) 被確定為RFE 的基本分類器，并在訓練集上進行特征選擇。特征篩選的標準是模型優化。因此，本研究不涉及變量間的多重共線性。

4 數據集劃分 采用隨機抽樣法生成訓練集和驗證集。其中訓練集為70% 的陽性樣本和陰性樣本，以此對預測模型進行訓練。再利用其余樣本構成驗證集，以評估機器學習模型預測糖尿病患者DR 的能力。

5 預測模型訓練與驗證 本研究利用XGBoost開發預測模型，該算法是在決策樹算法基礎上不斷累加，使精確率不斷提高，達到效果提升的目的。為了使模型更具說服力，我們還比較了XGBoost 與其他兩種流行的機器學習技術：RF 和logistic 回歸。將對應的準確度、敏感度、特異性以及受試者特征曲線下面積(ROC-AUC)等指標作為比較模型性能的標準指標，進行十折交叉驗證比較，并確定總體最佳性能。各標準指標以真陰性(TN) 值，真陽性(TP)、假陰性(FN) 和假陽性(FP)值，根據下述公式計算之：

準確度=(TP+TN)/(TP+TN+FP+FN)

敏感度=TP/(TP+FN)

特異性=TN/(TN+FP)

XGBoost 輸出只對變量的重要性進行排序，卻無法衡量變量對結果影響的方向和水平。為更好地解釋機器學習模型的結果，對最終模型的危險因子將使用沙普利可加性特征解釋方法(shapley additive explanation，SHAP) 進行解釋。SHAP 是Lundberg 和Lee[5]在2017 年提出的方法，被廣泛用于各種分類、回歸模型的解釋。對于每個預測樣本，模型都產生一個預測值，SHAP 值就是該樣本中每個特征所分配到的數值，其絕對值反映特征影響力大小，正負反映其正向或負向作用。當SHAP 值＞0 時，表示特征改善了結果值，具有積極的效果；相反，當SHAP 值 <0 時，表明該特征降低了結果值，并產生了負面影響。該方法可以輸出特征的重要性排序，以及特征與結果之間的關系，從而解釋變量怎樣影響預測結果。

6 統計學方法 對變量進行基線描述分析，其中正態分布的數值變量以表示，非正態分布的數值變量使用中位數(第一四分位數，第三四分位數)表示；而分類變量使用頻率(百分比)的形式進行描述。對變量進行差異性假設檢驗，其中分類變量使用χ2檢驗；對呈正態分布、方差齊的數值變量使用t檢驗；對不同時滿足正態分布和方差齊的變量使用了秩和檢驗。以α=0.05 為檢驗水準。本研究在Oracle 數據庫上使用程序語言/SQL 進行數據檢索。統計分析采用R 程序語言(3.6.1 版)和Python 語言(3.7.7 版)。

結果

1 納入病例兩組間臨床資料比較 糖尿病合并DR 組的收縮壓、舒張壓、糖化血紅蛋白(glycosylated hemoglobin，HbA1c)、總膽固醇、低密度脂蛋白、纖維蛋白原、血尿素、血肌酐、血清尿酸、乳酸脫氫酶和凝血酶原活動度指標均高于NDR 組(P＜ 0.05)；而年齡、血紅蛋白、血細胞比容、球蛋白、總蛋白、血清白蛋白、總膽紅素、直接和間接膽紅素、谷丙轉氨酶、谷草轉氨酶、谷氨酰胺轉移酶、堿性磷酸酶、凝血酶原時間和部分活化凝血酶原時間低于NDR 組(P＜0.05)。見表1。

表1 兩組糖尿病患者臨床資料比較分析Tab.1 Comparison of baseline variables between the two groups

2 兩組基礎疾病比較 DR 組高血壓、腦卒中、脂肪肝、膽道疾病、腎衰、腎病、下肢動脈病變、血液病和其他內分泌疾病等的并發比例高于NDR 組(P＜ 0.05)；而高脂血癥、動脈粥樣硬化、冠心病、心肌梗死和風濕免疫疾病等低于NDR 組(P＜ 0.05)。DR 組排名前6 位的系統病癥依次為高血壓、腎病、動脈粥樣硬化、脂肪肝、下肢動脈病變、冠心??；NDR 組排名前6 位的系統病癥依次為高血壓、動脈粥樣硬化、冠心病、高脂血癥、脂肪肝、腎病。見表2。

表2 兩組糖尿病患者合并其他系統病癥情況比較(n,%)Tab.2 Comparison of patients with other systemic diseases between the two groups (n,%)

3 建立模型 與其他模型相比，XGBoost 算法的準確率(0.961)、F1 分值(0.783)、精確度(0.783)、召回率(0.783)和ROC-AUC(0.842)表現良好(表3)。對其產生的特征重要性(特征權重值) 進行排序，前20 位的變量依次為腎病、冠心病、下肢動脈病變、身高、其他腫瘤、HbA1c、血尿素、血清白蛋白、腎衰、高脂血癥、消化系統腫瘤、血肌酐、年齡、神經系統疾病、谷氨酰胺轉移酶、直接膽紅素、谷草轉氨酶、谷丙轉氨酶、其他內分泌疾病、總蛋白等(圖1)。這些特征對最終的模型影響較大，但是無法準確描述特征與DR 最終預測結果的關系。

圖1 基于XGBoost 算法的糖尿病視網膜病變風險前20 位特征重要性排序Fig.1 The importance of the top 20 features on diabetic-retinopathy-risk based on XGBoost algorithm

表3 三種模型預測指標比較Tab.3 Comparison of model training

4 SHAP 模型分析 在特征重要性排序基礎上，利用SHAP 方法對最終模型進一步分析，各變量的SHAP 絕對值權重排序見圖2。根據圖3 中SHAP 模型在訓練集中生成的散點圖，可結合臨床危險因子的意義進行分析。其中，糖化血紅蛋白(0.59)、腎病(0.44)、血尿素(0.32)、下肢動脈病變(0.25) 四項觀察指標SHAP 值的絕對值均高，在SHAP 值的分布上呈現明顯的分類狀況，SHAP值 ＞ 0，其特征提升了DR 預測值，即為DR 的顯著危險因素。

圖2 SHAP 方法的特征權重排序Fig.2 Feature weight sorting by SHAP method

圖3 SHAP 分析的變量散點圖Fig.3 SHAP summary plot of XGBoost model

5 HbA1c、血尿素、腎病三個變量分析 SHAP 分析所得出的特征重要性較高的三個變量。與HbA1c 最強相關的因素為血尿素，且隨HbA1c 的值升高(圖4)，該因素對模型呈現陽性結果的作用越來越明顯。當HbA1c 在5%～ 8% 時，該因素對模型結果呈現陰性影響。在HbA1c ＜ 5% 時，血尿素的值均高于正常水平。血尿素與腎病如圖5所示，尿素指標大于5 mmol/L 時，患者患腎病的比例明顯增多，且隨著尿素的增高，對模型呈現陽性結果的影響逐漸增大。對血尿素、HbA1c 與是否患DR 做3D 散點圖，所得結果如圖6 所示，血尿素值過高的病例幾乎全部出現在DR 群體中，而HbA1c 在兩者間的分布趨勢無明顯差異。

圖5 血尿素與腎病交互的SHAP 值分布圖Fig.5 Scatter plot of SHAP value about interaction between serum urea and nephropathy

圖6 糖化血紅蛋白-血尿素-糖尿病視網膜病變 3D 散點圖Fig.6 3D scatter plot of SHAP value about HbA1c-serum urea-diabetic retinopathy (NDR:no diabetic retinopathy;DR:diabetic retinopathy)

討論

回顧既往相關研究，糖尿病病程、血糖控制不佳以及高血壓被認為是DR 發生的主要風險因素[9-10]。這在理論及臨床實踐中被廣泛認可。但實際工作中會發現血糖和(或)血壓的異常并不一定導致DR 的發生，即有些血糖和或血壓控制差的DM 患者并不發生DR，而部分血糖控制好且無高血壓的患者反而會發生DR，提示還有其他因素影響了DR 的發生發展。研究表明，代表血糖水平的HbA1c 僅能解釋至多11%的DR 風險性，并不是絕對和唯一影響要素，變異性較大的另89%風險歸因于糖尿病患者的其他整體因素[10]。近來研究結果指出，早在臨床可見眼底DR 之前，視網膜血管和神經的病理性改變就已長期存在[11]。因此，對于探究DR 發病的個體差異和原因，分析和明確DM 患者其他更多相關的系統影響因素，對于早期有效預防和治療DR、降低DM 患者視功能喪失風險十分必要。

根據本研究模型結果，HbA1c 為兩組間呈現顯著差異且與DR 高度相關的變量，與過往研究報道一致[12-14]。另外，本研究顯示DR 組患者的HbA1c 水平高于NDR 組，提示DR 患者的血糖控制水平普遍較差，因此也更易出現糖尿病腎病等其他微血管并發癥。英國前瞻性DM 研究長期隨訪(≤ 20 年) 顯示，早期血糖控制對大血管并發癥的有益作用是確認的，HbA1c 目標值 ＜ 7%(＜53 mmol/mol)可減少微血管并發癥[15]。另有研究指出HbA1c 48 mmol/mol(6.5%)的閾值可用來明確診斷糖尿病和DR[16]。

合并腎病的T2DM 患者DR 患病風險增高，為本研究風險因素分析的結果，與其他文獻報道一致[13,17-18]。一項前瞻性研究證實DM 合并腎病的患者進行多因素干預具有益效果，即通過對腎病和DM 的聯合治療可以顯著降低微血管和大血管事件的發生率[19]。腎與視網膜在起源、發育、毛細血管網結構、濾過屏障功能方面有高度相似性[20]。DR 與糖尿病腎病同為DM 的微血管并發癥，兩者之間的發生發展具有某種程度的相關性，如均受到遺傳、血流動力學、脂質代謝等共同影響，發病機制都包括了糖基化終末產物的堆積、多元醇通路活化、氧化應激、生長因子、炎癥介質、補體激活等[21]。目前，DR 伴微量白蛋白尿即可作為DM 引起腎病的診斷標準，DR 在糖尿病腎病的臨床輔助診斷中的重要價值和意義已達成專家共識[22]。還有研究指出DR 嚴重程度可用來預測T2DM 相關腎病，但DR 與糖尿病腎病的嚴重程度可不一致[23]。

本研究中，高血壓和動脈粥樣硬化在NDR 和DR 兩組均呈現大于50%的發病率，尤其高血壓在NDR 和DR 組患病率更分別高達66.5%和73.8%；而高血壓、高脂血癥、腦卒中、脂肪肝、冠心病、心肌梗死、血液病等血循環系統異常、脂質代謝疾病在兩組間患病率差異具有統計學意義，均在一定程度上表明這些因素與DM 和DR 病程進展的機制有關。有研究報道稱，隨DM 病程延長，機體病變逐漸由血管內物質的轉變發展至小血管病變甚至演變成為大血管病變[24]，本研究所示的腎病以及下肢動脈病變患病率在DR 患者中明顯增高且在模型中預測重要性排名靠前，均印證了這一觀點。

血尿素是機體蛋白質代謝的主要終末產物，從腎小球濾過而排出體外。有研究表明，T2DM 患者24 h 血尿素與DR 的發生相關[25]。這與本研究結果一致。血尿素正常值范圍為2.86～ 7.14 mmol/L，器質性腎功能損害可使血尿素增高。本研究結果顯示，血尿素指標＞5 mmol/L 時，T2DM 患者患腎病的比例明顯升高，且隨著血尿素水平的增高，對模型呈現陽性結果的影響逐漸增大，意味著DR 的患病風險越高，與以往研究一致[26]。故血尿素水平除作為腎功能的觀察指標，應作為DM 患者除血糖水平之外需重點關注的一項檢驗學觀測指標，通過飲食起居、藥物治療等調節和維持血尿素正常水平以預防DM 引發更多組織并發癥和功能損傷。

本研究結果顯示，HbA1c、血尿素、腎病這三個SHAP 分析所得出的特征重要性較高的變量對DR 病程影響存在潛在交互關系。血尿素與HbA1c 強相關，意味著在血糖水平控制良好的情況下，較高的血尿素指標會導致模型呈現陽性結果。血尿素值過高的患者幾乎全部出現在DR 組的患者群體中，而HbA1c 在兩組間的分布趨勢無明顯差異，此時兩組間的差異可能是由于血尿素的差異所致。故在對HbA1c 檢測的同時，對血尿素高度關注可能能夠為DM 病程管理提供更全面的建議。此結果亦為在HbA1c 控制較為良好時，部分患者仍患有DR 的病理機制提供新的研究方向。

綜上所述，本研究通過機器學習算法建立優選模型，并利用SHAP 分析方法分別解釋了各危險因素對DR 結局的影響及臨床意義，找到T2DM患者并發DR 的主要風險因素，即HbA1c、血尿素水平和是否伴腎病，且三者對DR 病程影響具有潛在交互關系。由此給予臨床提示，一方面通過監測HbA1c 水平控制血糖，另一方面血尿素測量可作為DM 微血管并發癥一級預防高度關注的提示性指標，并采取干預措施，可為DM 患者的長期病程管理提供更全面的建議，預防和降低DR 患病風險，也可為未來的相關研究提供方向。作為單中心臨床研究，本文數據的代表性具有局限性。因此，進一步開展多中心、信息完備的大樣本數據采集為探討真實世界糖尿病視網膜病變發病影響因素的必要途徑和努力方向。

致謝：解放軍總醫院醫療大數據中心喬屾工程師、楊明工程師為本研究提供的指導和幫助。