机器学习驱动的低骨密度临床决策支持：一项结合可解释AI的网页预测模型研究

一、研究团队与发表信息
本研究由Xing Yang（广西壮族自治区人民医院/广西医学科学院健康管理研究所）、Jianyuan Liu（广西医科大学公共卫生学院）、Xiaozhi Huang（广西壮族自治区人民医院健康管理中心）等13位作者共同完成，发表于期刊《Bone》2025年7月刊（Volume 200, 117592）。第一作者Xing Yang、Jianyuan Liu与Xiaozhi Huang贡献均等。

二、学术背景与研究目标
低骨密度（Low Bone Mineral Density, LBMD）包括骨量减少和骨质疏松症，与全球高医疗负担相关。当前诊断方法如双能X线吸收测定法（DXA）存在成本高、可及性差等问题，而世界卫生组织开发的骨折风险评估工具（FRAX）受限于年龄范围和准确性。本研究旨在开发一种基于机器学习（Machine Learning, ML）的可解释预测模型，整合临床易得指标（如年龄、BMI、碱性磷酸酶等），并通过网页应用实现临床决策支持，以提升LBMD筛查的普及性和成本效益。

三、研究流程与方法
1. 数据收集与处理
- 研究对象：纳入广西壮族自治区人民医院2020-2022年接受DXA检测的16,274名参与者，随机分为训练集（70%，n=11,391）和内部验证集（30%，n=4,883）。外部验证集来自美国国家健康与营养调查（NHANES）数据库（n=2,778）。
- 特征选择：通过最小绝对收缩与选择算子（LASSO）回归和多元逻辑回归筛选关键预测因子，最终确定年龄、BMI、总胆固醇和碱性磷酸酶4个变量。

1. 模型开发与比较

   • 算法选择：对比10种机器学习模型，包括逻辑回归（LR）、随机森林（RF）、XGBoost（XGB）、支持向量机（SVM）等，采用默认参数训练。
     
   • 性能评估：通过受试者工作特征曲线下面积（AUC）、马修斯相关系数（MCC）、Brier分数和决策曲线分析（DCA）评估模型性能。
     

2. 可解释性分析

   • SHAP（Shapley Additive Explanations）：基于博弈论量化特征对预测的贡献，显示年龄对LBMD预测影响最大（正向），BMI为保护因素（负向）。
     
   • LIME（Local Interpretable Model-agnostic Explanations）：局部解释个体预测结果，验证SHAP的全局结论。
     

3. 网页应用部署

   • 使用Python库Streamlit将最优模型部署为交互式网页工具（https://ml-lbmd-ghwxzegouvbcvevdtbxqnt.streamlit.app/），支持临床实时风险评估。
     

四、主要研究结果
1. 模型性能
- 逻辑回归（LR）在内部验证集表现最优（AUC=0.902, MCC=0.684, Brier分数=0.123），外部验证集AUC达0.812。
- 决策树（DT）和随机森林（RF）在训练集过拟合（AUC=1.000），验证集性能显著下降，凸显LR的稳健性。

1. 关键预测因子

   • 年龄（OR=1.209）和碱性磷酸酶（OR=1.018）为风险因素，BMI（OR=0.861）为保护因素，与既往研究一致。
     
   • SHAP分析进一步验证年龄贡献度最高（全局重要性排名：年龄>BMI>碱性磷酸酶>总胆固醇）。
     

2. 临床实用性

   • DCA显示LR模型在风险阈值0.1-0.9范围内具有显著净收益，适合临床决策。
     

五、研究结论与价值
本研究开发了一种基于逻辑回归的可解释机器学习模型，仅需4项临床指标即可高效预测LBMD，并通过网页工具实现免费应用。其科学价值在于：
1. 方法学创新：首次在LBMD预测中系统比较10种ML算法，结合SHAP和LIME增强模型透明度。
2. 临床转化：解决了传统DXA和FRAX的局限性，为资源有限地区提供低成本筛查方案。

六、研究亮点
1. 多维度验证：内部与外部数据集验证模型泛化能力。
2. 可解释性驱动：通过SHAP和LIME揭示预测机制，提升临床信任度。
3. 技术整合：从模型开发到网页部署形成完整闭环，推动AI在骨质疏松管理的落地应用。

七、局限性
1. 回顾性设计未纳入生活方式和遗传因素。
2. 数据来源单一（中国广西），需更多地区验证普适性。未来计划扩展多中心数据以优化模型。

此研究为LBMD的早期筛查和干预提供了可靠工具，标志着机器学习在骨健康管理中的实际应用迈出重要一步。