📄 health informatics

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

本研究表明，将偏最小二乘回归、卷积神经网络和曲线拟合方法整合应用于红外光谱（FTIR）血液光谱，构建了一个协同框架，在实现高精度预测糖化血红蛋白（HbA1c）水平的同时，为可扩展的糖尿病监测提供了糖基化相关生物标志物的机制解释性。

原作者： Melnychenko, M., Makhnii, T., Midlovets, K., Dmyterchuk, B., Krasnienkov, D.

发布于 2026-01-28

📖 1 分钟阅读☕ 轻松阅读

原作者： Melnychenko, M., Makhnii, T., Midlovets, K., Dmyterchuk, B., Krasnienkov, D.

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

大局观：聆听血液的“乐章”

想象一下，你的血液就像一个正在演奏复杂乐曲的繁忙管弦乐队。每种乐器（蛋白质、脂肪、糖类）都在演奏特定的音符。当你患有糖尿病时，“糖类”部分的乐器会开始演奏得更大声，并稍微改变旋律，因为糖会粘附在你的红细胞上（这个过程被称为糖化）。

传统上，医生通过将血液送到实验室，使用一种缓慢且昂贵的机器（如 HPLC）来精确计数有多少个“糖类音符”粘在了细胞上。这篇论文提出了一个问题：我们能否直接使用一种特殊的扫描光（FTIR）来“聆听”血液的“乐章”，并利用计算机瞬间计算出糖水平？

研究人员试图通过教导三种不同类型的“计算机”去聆听血液的乐章并预测糖水平（HbA1c），来回答这个问题。

三种“计算机”（模型）

团队不仅使用了一种方法，还尝试了三种不同的数据解读方式，就像三位侦探在破解同一个谜团。

1. “模式匹配者”（PLSR）

工作原理： 这个模型一次观察整首乐曲。它并不试图识别每一个单独的乐器，而是寻找整体的“氛围”或声波的形状。它就像一位乐评人，根据整体感觉说：“这首歌听起来像是一首含有大量糖分的爵士乐。”
结果： 这是最优秀的侦探。它的预测最准确（准确率约为 76%）。它擅长观察大局。

2. “深度学习者”（CNN）

工作原理： 这是一种能够自我学习的人工智能。它就像一只小鸟，听过成千上万首歌曲后，最终在没有人教它音符名称的情况下，摸索出了音乐的规则。它寻找的是人类可能会忽略的隐藏且复杂的模式。
结果： 这是第二优秀的侦探（准确率约为 73%）。它的表现几乎与“模式匹配者”一样出色，证明了计算机可以自主学习血液乐章的“规则”。

3. “显微镜”（曲线拟合）

工作原理： 这种方法与前两者截然不同。它不是观察整首乐曲，而是试图分离出每一个单独的乐器。它将声波分解为单个波峰（音符），并测量它们的高度和宽度。它就像一位音乐老师说：“小提琴在 1030 Hz 处演奏，而鼓在 1574 Hz 处演奏。”
结果： 它在预测最终数值方面的准确性最低（准确率约为 59%）。然而，它是最诚实的。因为它将乐曲逐一拆解成音符，研究人员实际上可以解释计算机为什么做出那样的判断。它能准确告诉研究人员血液中的哪些化学成分发生了变化。

“顿悟时刻”：为什么要同时使用这三种方法？

这篇论文的主要发现是，这三种方法不应该是竞争对手，而应该是一个团队。

“模式匹配者”（PLSR）和“深度学习者”（CNN）擅长给你正确答案（HbA1c 数值），但它们有点像“黑箱”。你知道了答案，但不知道计算机为什么会得出那个结论。
“显微镜”（曲线拟合）虽然在猜测数值方面表现一般，但它充当了翻译官的角色。它会告诉你：“计算机之所以预测数值偏高，是因为 1030 Hz 处的‘糖类音符’变大了，而 1574 Hz 处的‘蛋白质音符’变小了。”

通过结合这些方法，研究人员得到了两全其美的效果：既有了高度准确的预测，又有了清晰的生物学解释。

他们在血液中发现了什么？

通过使用“显微镜”和一种名为 SHAP 的特殊工具（它像荧光笔一样标出哪些音符最重要），他们发现当糖分粘附在血细胞上时，血液的乐章会发生特定的变化：

糖类音符： 特定频率（约 1011 和 1030）的声音变得更强。这些是糖分子附着在蛋白质上的声音。
蛋白质变化： 蛋白质“乐器”（血红蛋白）的形状发生了变化。蛋白质的部分结构发生了不同的折叠（就像一张揉皱的纸飞机），这体现在“酰胺”音符（约 1574 和 1680）的变化上。
脂肪联系： 他们还注意到了“脂肪”音符的变化，这表明当血糖控制不佳时，身体的脂肪代谢也会变得混乱。

核心结论

这项研究证明，你可以使用一种快速、无需试剂的扫描光（FTIR）来估算糖尿病水平。

不要只选一种工具： 如果你只使用“深度学习者”，你会得到一个好的猜测但没有解释；如果你只使用“显微镜”，你会得到很好的解释但猜测能力较弱。
制胜策略： 结合使用。让强大的 AI 模型承担实现准确性的重任，并利用详细的曲线拟合来理解背后的生物学原理。

作者总结道，这种“多模型”方法是迈向未来的重要一步，在未来，医生可能只需通过一个简单的设备扫描一滴血液，就能立即获得一个既准确又具有科学解释性的糖尿病读数。

（注：论文明确指出这是一个预印本，尚未经过同行评审，因此这些结果目前属于概念验证，而非成熟的医疗工具。）

技术摘要：通过 FTIR 光谱学实现 HbA1c 预测中准确性与可解释性的解耦

问题陈述
糖化血红蛋白 (HbA1c) 是监测长期血糖控制和糖尿病管理的标准生物标志物。目前的临床定量依赖于高水平实验室技术，如高效液相色谱法 (HPLC) 和免疫测定法，这些方法需要专门的试剂、仪器和时间，限制了其在资源匮乏地区的规模化应用。傅里叶变换红外 (FTIR) 光谱学提供了一种无试剂、快速的替代方案，能够捕捉蛋白质糖化的分子特征。然而，将复杂的、重叠的 FTIR 光谱转化为具有临床解释意义的 HbA1c 值仍具有挑战性。现有方法通常面临权衡：诸如偏最小二乘回归 (PLSR) 等统计模型具有强大的预测能力，但缺乏机制解释性；而基于峰解析的方法虽然能提供生化见解，但可能面临预测准确度较低的问题。因此，需要一种能够平衡高预测准确度与生化可解释性的框架。

研究方法
本研究利用了一个包含 673 个全血样本（源自剔除异常值后的 685 个样本）的数据集，样本涵盖健康受试者、前期糖尿病患者和糖尿病患者。参考 HbA1c 值通过高效离子液体色谱法获得。使用 ATR-FTIR 光谱仪 (Nicolet iS50) 获取 4000–400 cm⁻¹ 范围内的 FTIR 光谱，并重点关注具有生物学意义的区域。

作者评估了三种截然不同且具有协同作用的学习策略：

偏最小二乘回归 (PLSR)： 在 800–1800 cm⁻¹ 和 2800–3400 cm⁻¹ 光谱区域进行训练。数据采用 Savitzky-Golay 滤波（一阶导数）和向量归一化进行预处理。通过 10 折交叉验证优化模型，确定了最佳潜变量个数（选择了 9 个）。
卷积神经网络 (CNN)： 采用了改编自 McHardy 等人的 1D-CNN 架构，并在与 PLSR 相同的光谱区域进行训练。该模型利用两个连续的卷积单元（64 个滤波器，卷积核大小为 5），随后进行 ReLU 激活、批归一化、最大池化以及全连接层。训练采用 Adam 优化器和均方误差 (MSE) 损失函数。
结合 H2O AutoML 的曲线拟合： 聚焦于“指纹”区域 (1000–1720 cm⁻¹)。对光谱进行平滑、基线校正（橡胶带法）和归一化处理。使用 JAXFit 包通过伪 Voigt 函数进行峰解卷积。所得出的峰参数（位置、面积、高度、半峰全宽 FWHM）作为 H2O AutoML 模型的特征。
可解释人工智能 (XAI)： 应用 SHAP (SHapley Additive exPlanations) 值于 H2O AutoML 模型，以量化特征贡献的大小和方向，从而将光谱峰值与生化机制联系起来。

关键结果

预测性能： PLSR 模型在独立测试集上实现了最高的预测准确度（ $R^2 = 0.76$ ，RMSE = 1.16，MAE = 0.89）。CNN 模型表现相当（ $R^2 = 0.73$ ，RMSE = 1.22，MAE = 0.94），这表明在该数据集中，HbA1c 的主要光谱关系在很大程度上是线性的，而非线性效应仅起次要作用。曲线拟合方法产生的预测性能较低（ $R^2 = 0.59$ ，RMSE = 1.51，MAE = 1.11），但提供了高质量的光谱拟合（ $R^2 > 0.9999$ ）。
生化可解释性： SHAP 分析识别了驱动预测的具体光谱特征。关键贡献因素包括：
- 碳水化合物/糖化带： 1011 cm⁻¹ 和 1030 cm⁻¹（C–O/C–N 拉伸振动），与葡萄糖衍生的加合物及早期糖化相关。
- 蛋白质二级结构： Amide III 区域（1302–1313 cm⁻¹）以及 Amide I/II 区域（1574, 1678, 1687 cm⁻¹），指示了结构重排（例如 $\beta$ -转角、 $\alpha$ -螺旋丢失）在血红蛋白和血清蛋白中的发生。
- 脂质/羧基相互作用： 1366 cm⁻¹ 以及 1390–1402 cm⁻¹ 处的峰值，与脂质组成及氨基酸（天冬氨酸/谷氨酸）的羧基有关。
模型比较： 虽然 PLSR 和 CNN 在泛化能力方面表现出色，但曲线拟合方法成功地解卷积了复杂的光谱，从而分离出特定的糖化敏感峰，验证了预测的生化基础。

意义与主张
论文认为，将这些建模方法视为竞争性的替代方案是次优的。相反，作者提出了一种互补的多模型策略。

优势整合： 研究表明，将预测模型（PLла/CNN）与机制分析（曲线拟合）相结合，比单一模型更能提供丰富的信息框架。PLSR 和 CNN 捕捉了进行稳健临床预测所需的广泛线性与非线性模式，而基于峰解析的分析则确保了生化可解释性与机制验证。
临床潜力： 该策略凸显了一条通过非侵入性方式进行 HbA1c 评估的、可扩展且无试剂的路径。通过结合预测性能与可解释性，该方法支持将 FTIR 不仅仅作为 HbA1c 的替代指标，而是作为一个通用的筛查平台，能够从单次测量中揭示更广泛的生化图谱（脂质、蛋白质结构、核酸）。
局限性： 作者客观地承认了局限性，包括 FTIR 本身的固有约束（水吸收、基线变化）、曲线拟合中对特定峰形假设的依赖，以及需要更大、更多样化的数据集来确认其在不同人群中的泛化能力。

总之，本研究证实了多模型框架可以解耦准确性与可解释性之间的权衡，为利用 FTIR 光谱学进行糖尿病监测提供了一种具有机制依据的方法。