📄 health informatics

Decoupling Accuracy and Explainability: Machine Learning Strategies for HbA1c Prediction and Biomarker Discovery in Blood FTIR Spectroscopy

Diese Studie zeigt, dass die Integration von partieller kleinster Quadrate-Regression, faltungsbasierten neuronalen Netzwerken und Curve-Fitting-Ansätzen auf FTIR-Blutspektren einen synergetischen Rahmen schafft, der gleichzeitig eine hohe Genauigkeit bei der Vorhersage von HbA1c-Werten erreicht und eine mechanistische Interpretierbarkeit glykationsbedingter Biomarker für eine skalierbare Diabetesüberwachung bietet.

Ursprüngliche Autoren: Melnychenko, M., Makhnii, T., Midlovets, K., Dmyterchuk, B., Krasnienkov, D.

Veröffentlicht 2026-01-28

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Melnychenko, M., Makhnii, T., Midlovets, K., Dmyterchuk, B., Krasnienkov, D.

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen

Das große Ganze: Dem „Lied“ des Blutes lauschen

Stellen Sie sich vor, Ihr Blut sei ein geschäftiges Orchester, das ein komplexes Lied spielt. Jedes Instrument (Proteine, Fette, Zucker) spielt eine bestimmte Note. Wenn Sie Diabetes haben, beginnt die „Zucker“-Sektion des Orchesters lauter zu spielen und verändert die Melodie leicht, weil Zucker an Ihre roten Blutkörperchen bindet (ein Prozess, der Glykierung genannt wird).

Traditionell prüfen Ärzte dies, indem sie Blut in ein Labor bringen und durch eine langsame, teure Maschine (wie HPLC) laufen lassen, um genau zu zählen, wie viele „Zuckernoten“ an den Zellen kleben. Diese Arbeit stellt die Frage: Können wir dem „Lied“ des Blutes einfach mit einem speziellen Lichtscanner (FTIR) lauschen und einen Computer nutzen, um den Zuckergehalt sofort zu bestimmen?

Die Forscher versuchten dies zu beantworten, indem sie drei verschiedene Arten von „Computern“ lehrten, dem Lied des Blutes zu lauschen und den Zuckergehalt (HbA1c) vorherzusagen.

Die drei „Computer“ (Modelle)

Das Team hat nicht nur eine Methode verwendet; sie haben drei verschiedene Wege ausprobiert, um die Daten zu interpretieren – wie drei verschiedene Detektive, die denselben Fall lösen.

1. Der „Mustererkenner“ (PLSR)

Wie es funktioniert: Dieses Modell betrachtet das ganze Lied auf einmal. Es versucht nicht, jedes einzelne Instrument zu identifizieren; stattdessen sucht es nach dem allgemeinen „Vibe“ oder der Form der Schallwelle. Es ist wie ein Musikkritiker, der sagt: „Dieses Lied klingt nach einem Jazztrack mit viel Zucker darin“, bas basierend auf dem allgemeinen Gefühl.
Das Ergebnis: Dies war der beste Detektiv. Er lieferte die genauesten Vorhersagen (etwa 76 % Genauigkeit). Er war großartig darin, das große Ganze zu sehen.

2. Der „Tiefe Lerner“ (CNN)

Wie es funktioniert: Dies ist eine Art von Künstlicher Intelligenz, die von selbst lernt. Es ist wie ein Jungvogel, der tausende Lieder hört und schließlich die Regeln der Musik versteht, ohne dass ihm jemand die Namen der Noten beibringen muss. Er sucht nach verborgenen, komplexen Mustern, die ein Mensch vielleicht übersehen würde.
Das Ergebnis: Dies war der zweitbeste Detektiv (etwa 73 % Genauigkeit). Er war fast so gut wie der Mustererkenner und bewies, dass der Computer die „Regeln“ des Blutlieds von selbst lernen kann.

3. Das „Mikroskop“ (Kurvenanpassung/Curve Fitting)

Wie es funktioniert: Diese Methode ist das Gegenteil der anderen. Anstatt das ganze Lied zu betrachten, versucht sie, jedes einzelne Instrument zu isolieren. Sie bricht die Schallwelle in einzelne Spitzen (Noten) auf und misst deren Höhe und Breite. Es ist wie ein Musiklehrer, der sagt: „Die Violine spielt bei 1030 Hz und die Trommel bei 1574 Hz.“
Das Ergebnis: Dies war der am wenigsten genaue bei der Vorhersage der endgültigen Zahl (etwa 59 % Genauigkeit). Er war jedoch der ehrlichste. Da er das Lied Note für Note zerlegte, konnten die Forscher tatsächlich erklären, warum der Computer seine Vermutung anstellte. Er sagte ihnen genau, welche chemischen Bestandteile des Blutes sich veränderten.

Der „Aha!“-Moment: Warum alle drei verwenden?

Die Hauptentdeckung der Arbeit ist, dass diese drei Methoden keine Rivalen sein sollten; sie sollten ein Team bilden.

Der Mustererkenner (PLSR) und der Tiefe Lerner (CNN) sind großartig darin, Ihnen die richtige Antwort (den HbA1c-Wert) zu geben, aber sie sind ein wenig eine „Black Box“. Sie kennen die Antwort, aber Sie wissen nicht genau, warum der Computer so gedacht hat.
Das Mikroskop (Curve Fitting) ist nicht so gut darin, die Zahl zu erraten, aber es fungiert als Übersetzer. Es sagt Ihnen: „Der Computer hat einen hohen Wert geschätzt, weil die ‚Zuckernote‘ bei 1030 Hz lauter wurde und die ‚Protein-Note‘ bei 1574 Hz leiser wurde.“

Durch die Kombination dieser Methoden erhielten die Forscher das Beste aus beiden Welten: eine hochgenaue Vorhersage plus eine klare Erklärung der zugrunde liegenden Biologie.

Was haben sie im Blut gefunden?

Unter Verwendung des „Mikroskops“ und eines speziellen Werkzeugs namens SHAP (das wie ein Textmarker funktioniert, um zu zeigen, welche Noten am wichtigsten sind), fanden sie heraus, dass sich das Lied des Blutes auf spezifische Weise verändert, wenn Zucker an die Blutzellen bindet:

Die Zuckernoten: Bestimmte Frequenzen (um 1011 und 1030) wurden stärker. Dies sind die Klänge von Zuckermolekülen, die an Proteine binden.
Die Proteinveränderungen: Die Form der „Protein-Instrumente“ (Hämoglobin) änderte sich. Einige Teile des Proteins falteten sich anders (wie ein zerknittertes Papierflugzeug), was sich in Veränderungen der „Amid“-Noten (um 1574 und 1680) äußerte.
Die Fett-Verbindung: Sie bemerkten auch Veränderungen in den „Fett“-Noten (Lipide), was darauf hindeutet, dass der Fettstoffwechsel des Körpers ebenfalls durcheinandergerät, wenn die Zuckerkontrolle schlecht ist.

Das Fazit

Diese Studie beweist, dass man einen schnellen, reagenzienfreien Lichtscan (FTIR) verwenden kann, um Diabeteswerte abzuschätzen.

Wählen Sie nicht nur ein Werkzeug: Wenn Sie nur den „Tiefen Lerner“ verwenden, erhalten Sie eine gute Schätzung, aber keine Erklärung. Wenn Sie nur das „Mikroskop“ verwenden, erhalten Sie eine großartige Erklärung, aber eine schwächere Schätzung.
Die Gewinnstrategie: Nutzen Sie eine Mischung. Lassen Sie die leistungsstarken KI-Modelle die schwere Arbeit der Genauigkeit erledigen und nutzen Sie die detaillierte Kurvenanpassung, um die Biologie zu verstehen.

Die Autoren kommen zu dem Schluss, dass dieser „Multi-Modell“-Ansatz ein vielversprechender Schritt in Richtung einer Zukunft ist, in der Ärzte einen Tropfen Blut mit einem einfachen Gerät scannen und sofort einen Diabeteswert erhalten könnten, der sowohl genau als auch wissenschaftlich erklärbar ist.

(Hinweis: Die Arbeit stellt ausdrücklich klar, dass es sich um einen Preprint handelt, der noch nicht von Fachkollegen geprüft wurde (Peer-Review), sodass diese Ergebnisse derzeit eher ein Machbarkeitsnachweis als ein einsatzbereites medizinisches Werkzeug sind.)

Technische Zusammenfassung: Entkopplung von Genauigkeit und Erklärbarkeit bei der HbA1c-Vorhersage mittels FTIR-Spektroskopie

Problemstellung
Glykiertes Hämoglobin (HbA1c) ist der Standardbiomarker für die langfristige glykämische Kontrolle und das Diabetesmanagement. Die aktuelle klinische Quantifizierung stützt sich auf laborintensive Methoden wie die Hochleistungsflüssigkeitschromatographie (HPLC) und Immunoassays, die spezialisierte Reagenzien, Instrumentierung und Zeit erfordern, was die Skalierbarkeit in ressourcenarmen Gebieten einschränkt. Die Fourier-Transform-Infrarot-Spektroskopie (FTIR) bietet eine reagenzienfreie, schnelle Alternative, welche die molekularen Signaturen der Proteinglykierung erfasst. Die Übersetzung komplexer, überlappender FTIR-Spektren in klinisch interpretierbare HbA1c-Werte bleibt jedoch eine Herausforderung. Bestehende Ansätze stehen häufig vor einem Zielkonflikt: Statistische Modelle wie die partielle kleinste Quadrate-Regression (PLSR) bieten zwar Vorhersagekraft, lassen aber eine mechanistische Interpretierbarkeit vermissen, während peak-aufgelöste Methoden zwar biochemische Einblicke bieten, aber unter geringerer Vorhersagegenauigkeit leiden können. Es besteht ein Bedarf an einem Framework, das eine hohe Vorhersagegenauigkeit mit biochemischer Erklärbarkeit in Einklang bringt.

Methodik
Die Studie nutzte einen Datensatz von 673 Vollblutproben (abgeleitet von ursprünglich 685 nach Entfernung von Ausreißern), die von gesunden, prädiabetischen und diabetischen Teilnehmern stammen. Die Referenz-HbA1c-Werte wurden mittels hochleistungsfähiger Ionenflüssigkeitschromatographie ermittelt. Die FTIR-Spektren wurden mit einem ATR-FTIR-Spektrometer (Nicolet iS50) im Bereich von 4000–400 cm⁻¹ aufgenommen, wobei ein besonderer Fokus auf biologisch relevanten Regionen lag.

Die Autoren evaluierten drei verschiedene, synergetische Strategien des maschinellen Lernens:

Partielle kleinste Quadrate-Regression (PLSR): Trainiert auf Spektralbereichen von 800–1800 cm⁻¹ und 2800–3400 cm⁻¹. Die Daten wurden mittels Savitzky-Golay-Filterung (erste Ableitung) und Vektor-Normalisierung vorverarbeitet. Das Modell wurde mittels 10-facher Kreuzvalidierung optimiert, um die optimale Anzahl an latenten Komponenten zu bestimmen (neun wurden ausgewählt).
Convolutional Neural Network (CNN): Eine 1D-CNN-Architektur, adaptiert von McHardy et al., trainiert auf denselben Spektralbereichen wie PLSR. Das Modell nutzte zwei sequentielle Convolutional-Einheiten (64 Filter, Kernelgröße 5), gefolgt von einer ReLU-Aktivierung, Batch-Normalisierung, Max-Pooling und vollvernetzten (fully connected) Dense-Schichten. Das Training erfolgte mit dem Adam-Optimizer und einem Mean Squared Error (MSE)-Loss.
Kurvenanpassung mit H2O AutoML: Konzentrierte sich auf die „Fingerprint“-Region (1000–1720 cm⁻¹). Die Spektren wurden geglättet, basiskorrigiert (Rubberband-Methode) und normalisiert. Die Peak-Dekonvolution wurde unter Verwendung von Pseudo-Voigt-Funktionen über das JAXFit-Paket durchgeführt. Die resultierenden Peak-Parameter (Position, Fläche, Höhe, FWHM) dienten als Merkmale für H2O AutoML-Modelle.
Erklärbare KI (XAI): SHAP-Werte (SHapley Additive exPlanations) wurden auf die H2O AutoML-Modelle angewendet, um die Größenordnung und Richtung der Merkmalsbeiträge zu quantifizieren und die Spektralpeaks mit biochemischen Mechanismen zu verknüpfen.

Wesentliche Ergebnisse

Vorhersageleistung: Das PLSR-Modell erreichte die höchste Vorhersagegenauigkeit auf dem unabhängigen Testdatensatz ( $R^2 = 0,76$ , RMSE = 1,16, MAE = 0,89). Das CNN-Modell zeigte eine vergleichbare Leistung ( $R^2 = 0,73$ , RMSE = 1,22, MAE = 0,94), was darauf hindeutet, dass die dominanten spektralen Beziehungen für HbA1c in diesem Datensatz weitgehend linear sind und nichtlineare Effekte eine untergeordnete Rolle spielen. Der Kurvenanpassungs-Ansatz lieferte eine geringere Vorhersageleistung ( $R^2 = 0,59$ , RMSE = 1,51, MAE = 1,11), bot jedoch hochqualitative Spektralanpassungen ( $R^2 > 0,9999$ ).
Biochemische Interpretierbarkeit: Die SHAP-Analyse identifizierte spezifische spektrale Merkmale, die die Vorhersagen steuern. Zu den entscheidenden Beitragsfaktoren gehörten:
- Kohlenhydrat-/Glykierungsbanden: 1011 cm⁻¹ und 1030 cm⁻¹ (C–O/C–N-Streckschwingung), assoziiert mit glucoseabgeleiteten Addukten und früher Glykierung.
- Proteinstruktur: Amid-III-Regionen (1302–1313 cm⁻¹) sowie Amid-I/II-Regionen (1574, 1678, 1687 cm⁻¹), die auf strukturelle Umlagerungen (z. B. $\beta$ -Turns, Verlust der $\alpha$ -Helix) in Hämoglobin und Serumproteinen hindeuten.
- Lipid-/Carboxylat-Interaktionen: Peaks bei 1366 cm⁻¹ und 1390–1402 cm⁻¹, verknüpft mit der Lipidzusammensetzung und den Carboxylatgruppen von Aminosäuren (Asp/Glu).
Modellvergleich: Während PLSR und CNN in der Generalisierung exzellierten, gelang es der Methode der Kurvenanpassung, die komplexen Spektren zu dekonvolutieren, um spezifische glykierungssensitive Peaks zu isolieren, was die biochemische Basis der Vorhersagen validierte.

Bedeutung und Ansprüche
Das Paper argumentiert, dass die Betrachtung dieser Modellierungsansätze als konkurrierende Alternativen suboptimal ist. Stattdessen schlagen die Autoren eine komplementäre Multi-Modell-Strategie vor.

Integration von Stärken: Die Studie zeigt, dass die Integration von Vorhersagemodellen (PLSR/CNN) mit mechanistischer Analyse (Kurvenanpassung) einen informativeren Rahmen bietet als ein einzelnes Modell allein. PLSR und CNN erfassen die breiten linearen und nichtlinearen Muster, die für eine robuste klinische Vorhersage notwendig sind, während die peak-aufgelöste Analyse die biochemische Interpretierbarkeit und mechanistische Validierung sicherstellt.
Klinisches Potenzial: Diese Strategie unterstreicht einen skalierbaren, reagenzienfreien Pfad für die nicht-invasive HbA1c-Bestimmung. Durch die Kombination von Vorhersageleistung mit Erklärbarkeit unterstützt dieser Ansatz die Nutzung von FTIR nicht nur als Surrogat für HbA1c, sondern als vielseitige Screening-Plattform, die in der Lage ist, ein breiteres biochemisches Profil (Lipide, Proteinstruktur, Nukleinsäuren) aus einer einzigen Messung zu offenbaren.
Einschränkungen: Die Autoren räumen bescheiden Einschränkungen ein, einschließlich der inhärenten Beschränkungen der FTIR (Wasserabsorption, Basisschwankungen), der Abhängigkeit von spezifischen Peakform-Annahmen bei der Kurvenanpassung sowie der Notwendigkeit größerer und diverserer Datensätze, um die Generalisierbarkeit über verschiedene Populationen hinweg zu bestätigen.

Zusammenfassend validiert die Studie, dass ein Multi-Modell-Framework den Zielkonflikt zwischen Genauigkeit und Erklärbarkeit auflösen kann und somit einen mechanistisch fundierten Ansatz zur Diabetesüberwachung mittels FTIR-Spektroskopie bietet.