📄 health informatics

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

Deze studie toont aan dat het integreren van partial least squares regressie, convolutionele neurale netwerken en curve-fitting benaderingen op FTIR-bloedspectra een synergetisch kader creëert dat gelijktijdig een hoge nauwkeurigheid bereikt in het voorspellen van HbA1c-niveaus en mechanistische interpreteerbaarheid biedt van glycatie-gerelateerde biomarkers voor schaalbare diabetesmonitoring.

Oorspronkelijke auteurs: Melnychenko, M., Makhnii, T., Midlovets, K., Dmyterchuk, B., Krasnienkov, D.

Gepubliceerd 2026-01-28

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Melnychenko, M., Makhnii, T., Midlovets, K., Dmyterchuk, B., Krasnienkov, D.

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Het Grote Plaatje: Luisteren naar het "Lied" van het Bloed

Stel je voor dat je bloed een druk orkest is dat een complexe compositie speelt. Elk instrument (eiwitten, vetten, suikers) speelt een specifieke noot. Wanneer je diabetes hebt, begint de "suiker"-sectie van het orkest harder te spelen en verandert het de melodie een klein beetje, omdat suiker aan je rode bloedcellen blijft plakken (een proces dat glycatie wordt genoemd).

Traditioneel controleren artsen dit door bloed naar een laboratorium te brengen en het door een langzame, dure machine te halen (zoals HPLC) om precies te tellen hoeveel "suikernoten" aan de cellen vastzitten. Dit onderzoek vraagt: Kunnen we gewoon luisteren naar het "lied" van het bloed met behulp van een speciale lichtscanner (FTIR) en een computer gebruiken om de suikerwaarden direct te bepalen?

De onderzoekers probeerden dit te beantwoorden door drie verschillende soorten "computers" te leren om naar het lied van het bloed te luisteren en de suikerwaarden (HbA1c) te voorspellen.

De Drie "Computers" (Modellen)

Het team gebruikte niet slechts één methode; ze probeerden drie verschillende manieren om de gegevens te interpreteren, zoals drie verschillende detectives die dezelfde puzzel oplossen.

1. De "Patroonherkenner" (PLSR)

Hoe het werkt: Dit model kij-t naar het hele lied tegelijkertijd. Het probeert niet elk individueel instrument te identificeren; in plaats daarvan kijkt het naar de algemene "vibe" of de vorm van de geluidsgolf. Het is als een muziekcriticus die zegt: "Dit nummer klinkt als een jazztrack met veel suiker in het," gebaseerd op het algemene gevoel.
Het resultaat: Dit was de beste detective. Het behaalde de meest nauwkeurige voorspellingen (ongeveer 76% nauwkeurigheid). Het was erg goed in het zien van het grote plaatje.

2. De "Diepe Leerder" (CNN)

Hoe het werkt: Dit is een type Kunstmatige Intelligentie dat zichzelf leert begrijpen. Het is als een babyvogeltje dat duizenden liedjes hoort en uiteindelijk de regels van de muziek ontdekt zonder dat iemand hem de namen van de noten hoeft te leren. Het zoekt naar verborgen, complexe patronen die een mens misschien zou missen.
Het resultaat: Dit was de op één na beste detective (ongeveer 73% nauwkeurigheid). Het deed het bijna net zo goed als de Patroonherkenner, wat bewijst dat de computer de "regels" van het bloedlied uit zichzelf kan leren.

3. De "Microscoop" (Curve Fitting)

Hoe werkt het: Deze methode is het tegenovergestelde van de andere. In plaats van naar het hele lied te kijken, probeert het elk individueel instrument te isoleren. Het breekt de geluidsgolf af in individuele pieken (noten) en meet hun hoogte en breedte. Het is als een muziekdocent die zegt: "De viool speelt op 1030 Hz, en de trommel zit op 1574 Hz."
Het resultaat: Dit was de minst nauwkeurige bij het voorspellen van het uiteindelijke getal (ongeveer 59% nauwkeurigheid). Het was echter wel de meest eerlijke. Omdat het het lied noot voor noot afbrak, konden de onderzoekers ook daadwerkelijk uitleggen waarom de computer zijn gok maakte. Het vertelde hen precies welke chemische onderdelen van het bloed veranderden.

Het "Aha!"-moment: Waarom alle drie gebruiken?

De belangrijkste ontdekking van het papier is dat deze drie methoden geen rivalen moeten zijn; ze zouden een team moeten vormen.

De Patroonherkenner (PLSR) en De Diepe Leerder (CNN) zijn geweldig in het geven van het juiste antwoord (het HbA1c-getal), maar ze zijn een beetje een "black box". Je weet het antwoord, maar je weet niet precies waarom de computer dat dacht.
De Microscoop (Curve Fitting) is niet zo goed in het raden van het getal, maar fungeert als de vertaler. Het vertelt je: "De computer gokte hoog omdat de 'suikernoot' op 1030 Hz luider werd, en de 'eiwitnoot' op 1574 Hz zachter werd."

Door deze te combineren, kregen de onderzoekers het beste van twee werelden: een zeer nauwkeurige voorspelling plus een duidelijke uitleg over de achterliggende biologie.

Wat hebben ze in het bloed gevonden?

Met behulp van de "Microscoop" en een speciaal hulpmiddel genaamd SHAP (dat werkt als een markeerstift om aan te geven welke noten het belangrijkst zijn), ontdekten ze dat het lied van het bloed op specifieke manieren verandert wanneer suiker aan bloedcellen blijft plakken:

De Suikernoten: Bepaalde frequenties (rond de 1011 en 1030) werden sterker. Dit zijn de geluiden van suikermoleculen die zich aan eiwitten hechten.
De Eiwitveranderingen: De vorm van de eiwit-"instrumenten" (hemoglobine) veranderde. Sommige delen van het eiwit vouwden anders (zoals een gevouwen papieren vliegtuigje), wat zichtbaar werd als veranderingen in de "Amide"-noten (rond 1574 en 1680).
De Vet-connectie: Ze merkten ook veranderingen op in de "vet"-noten (lipiden), wat suggereert dat wanneer de suikercontrole slecht is, ook de vetstofwisseling van het lichaam in de war raakt.

De Kernconclusie

Dit onderzoek bewijst dat je een snelle, reagentievrije lichtscan (FTIR) kunt gebruiken om diabetesniveaus in te schatten.

Kies niet slechts één hulpmiddel: Als je alleen de "Diepe Le Lerner" gebruikt, krijg je een goede gok maar geen uitleg. Als je alleen de "Microscoop" gebruikt, krijg je een geweldige uitleg maar een zwakkere gok.
De Winnaarsstrategie: Gebruik een combinatie. Laat de krachtige AI-modellen het zware werk doen voor de nauwkeurigheid, en gebruik de gedetailleerde curve-fitting om de biologie te begrijpen.

De auteurs concluderen dat deze "multi-model" benadering een veelbelovende stap is naar een toekomst waarin artsen een druppel bloed kunnen scannen met een eenvoudig apparaat en direct een diabetesmeting krijgen die zowel nauwkeurig als wetenschappelijk verklaarbaar is.

(Noot: Het artikel vermeldt expliciet dat dit een preprint is en nog niet door vakgenoten is beoordeeld (peer-reviewed), dus deze resultaten zijn momenteel een bewijs van concept (proof-of-concept) en nog geen klaar voor gebruik zijnd medisch instrument.)

Technische Samenvatting: Ontkoppeling van Accuratesse en Verklaarbaarheid in HbA1c-voorspelling via FTIR-spectroscopie

Probleemstelling
Geglyceerd hemoglobine (HbA1c) is de standaard biomarker voor langdurige glykemische controle en diabetesmanagement. De huidige klinische kwantificering leunt op laboratoriumintensieve methoden zoals hogeprestatie-vloeistofchromatografie (HPLC) en immunoassays, die gespecialiseerde reagentia, instrumentatie en tijd vereisen, wat de schaalbaarheid in omgevingen met beperkte middelen beperkt. Fourier-transformatie infrarood (FTIR) spectroscopie biedt een reagentievrij, snel alternatief dat de moleculaire signaturen van eiwitglycatie vastlegt. Het vertalen van complexe, overlappende FTIR-spectra naar klinisch interpreteerbare HbA1c-waarden blijft echter een uitdaging. Bestaande benaderingen kampen vaak met een afruil: statistische modellen zoals Partial Least Squares Regression (PLSR) bieden voorspellende kracht maar missen mechanistische interpreteerbaarheid, terwijl piek-opgeloste methoden wel biochemisch inzicht bieden maar mogelijk lijden onder lagere voorspellende accuratesse. Er is behoefte aan een framework dat een balans vindt tussen hoge voorspellende accuratesse en biochemische verklaarbaarheid.

Methodologie
De studie maakte gebruik van een dataset van 673 bloedmonsters (afkomstig van een initiële 685 na verwijdering van uitschieters) verzameld van gezonde, prediabetische en diabetische deelnemers. Referentie HbA1c-waarden werden verkregen via hogeprestatie ionische vloeistofchromatografie. FTIR-spectra werden verworven met een ATR-FTIR spectrometer (Nicolet iS50) in het bereik van 4000–400 cm⁻¹, met specifieke focus op biologisch relevante regio's.

De auteurs evalueerden drie verschillende, synergetische machine learning-strategieën:

Partial Least Squares Regression (PLSR): Getraind op spectrale regio's 800–1800 cm⁻¹ en 2800–3400 cm⁻¹. De data werd voorbewerkt met Savitzky-Golay filtering (eerste afgeleide) en vectornormalisatie. Het model werd geoptimaliseerd via 10-voudige kruisvalidatie om het optimale aantal latente componenten te bepalen (negen werden geselecteerd).
Convolutional Neural Network (CNN): Een 1D-CNN architectuur aangepast van McHardy et al., getraind op dezelfde spectrale regio's als PLSR. Het model maakte gebruik van twee sequentiële convolutionele eenheden (64 filters, kernelgrootte 5), gevolgd door ReLU-activatie, batchnormalisatie, max-pooling en volledig verbonden (fully connected) dense lagen. Training maakte gebruik van de Adam-optimizer met Mean Squared Error (MSE) loss.
Curve Fitting met H2O AutoML: Gefocust op de "vingerafdruk"-regio (1000–1720 cm⁻¹). Spectra werden gladgestreken, baseline-gecorrigeerd (rubberband) en genormaliseerd. Piekdeconvolutie werd uitgevoerd met pseudo-Voigt functies via de JAXFit package. De resulterende piekparameters (positie, oppervlakte, hoogte, FWHM) dienden als features voor H2O AutoML-modellen.
Explainable AI (XAI): SHAP (SHapley Additive exPlanations) waarden werden toegepast op de H2O AutoML-modellen om de omvang en richting van de bijdragen van features te kwantificeren, waardoor spectrale pieken aan biochemische mechanismen gekoppeld konden worden.

Belangrijkste Resultaten

Voorspellende Prestaties: Het PLSR-model behaalde de hoogste voorspellende accuratesse op de onafhankelijke testset ( $R^2 = 0,76$ , RMSE = 1,16, MAE = 0,89). Het CNN-model presteerde vergelijkbaar ( $R^2 = 0,73$ , RMSE = 1,22, MAE = 0,94), wat suggereert dat de dominante spectrale relaties voor HbA1c in deze dataset grotendeels lineair zijn, waarbij niet-lineaire effecten een secundaire rol spelen. De Curve Fitting-benadering leverde een lagere voorspellende prestatie op ( $R^2 = 0,59$ , RMSE = 1,51, MAE = 1,11) maar bood hoogwaardige spectrale fits ( $R^2 > 0,9999$ ).
Biochemische Interpreteerbaarheid: SHAP-analyse identificeerde specifieke spectrale features die de voorspellingen stuurden. Belangrijke bijdragers waren onder meer:
- Koolhydraat/Glycatie-banden: 1011 cm⁻¹ en 1030 cm⁻¹ (C–O/C–N rek), geassocieerd met glucose-afgeleide adducten en vroege glycatie.
- Eiwit Secundaire Structuur: Amide III-regio's (1302–1313 cm⁻¹) en Amide I/II-regio's (1574, 1678, 1687 cm⁻¹), wijzend op structurele herschikkingen (bijv. $\beta$ -turns, verlies van $\alpha$ -helix) in hemoglobine en serumproteïnen.
- Lipide/Carboxylaat interacties: Pieken bij 1366 cm⁻¹ en 1390–1402 cm⁻¹, gekoppeld aan lipidensamenstelling en carboxylaatgroepen van aminozuren (Asp/Glu).
Modelvergelijking: Terwijl PLSR en CNN uitblonken in generalisatie, slaagde de Curve Fitting-methode erin complexe spectra te deconvuleren om specifieke glycatie-gevoelige pieken te isoleren, wat de biochemische basis van de voorspellingen valideerde.

Betekenis en Claims
Het artikel betoogt dat het behandelen van deze modelleringsbenaderingen als concurrerende alternatieven suboptimaal is. In plaats daarvan stellen de auteurs een complementaire multi-model strategie voor.

Integratie van Sterktes: De studie demonstreert dat het integreren van voorspellende modellen (PLSR/CNN) met mechanistische analyse (Curve Fitting) een informatiever framework biedt dan enig enkel model alleen. PLSR en CNN vangen de brede lineaire en niet-lineaire patronen op die nodig zijn voor robuuste klinische voorspelling, terwijl piek-opgeloste analyse zorgt voor biochemische interpreteerbaarheid en mechanistische validatie.
Klinisch Potentieel: Deze strategie benadrukt een schaalbaar, reagentievrij pad voor niet-invasieve HbA1c-beoordeling. Door voorspellende prestaties te combineren met verklaarbaarheid, ondersteunt deze benadering het gebruik van FTIR niet alleen als een surrogaat voor HbA1c, maar als een veelzijdig screeningsplatform dat in staat is een breder biochemisch profiel (lipiden, eiwitstructuur, nucleïnezuren) te onthullen vanuit een enkele meting.
Beperkingen: De auteurs erkennen bescheiden beperkingen, waaronder de inherente restricties van FTIR (waterabsorptie, baseline variaties), de afhankelijkheid van specifieke piekvorm-aannames in curve fitting, en de noodzaak van grotere, meer diverse datasets om de generaliseerbaarheid over verschillende populaties te bevestigen.

Concluderend valideert de studie dat een multi-model framework de afruil tussen accuratesse en verklaarbaarheid kan ontkoppelen, wat een mechanistisch gefundeerde aanpak biedt voor diabetesmonitoring via FTIR-spectroscopie.