基于机器学习的胰腺形态和临床特征预测2型糖尿病的风险研究

摘要

目的:探讨基于胰腺形态和临床特征建立机器学习模型预测2型糖尿病的风险效能。方法:回顾性分析187例行腹部增强CT检查的患者资料，包括2型糖尿病组(T2DM)106例和正常对照组(HC)81例，按7∶3比例分为训练集和测试集，训练集130例(T2DM组74例，HC组56例),测试集57例(T2DM组33例，HC组24例)。T2DM组根据病程是否大于5年分为两个亚组：T2DM长病程亚组(n=55)和T2DM短病程亚组(n=51)。收集T2DM组与HC组性别、年龄、血糖血脂等相关指标，测量胰腺形态指标(头部、颈部、体部、尾部直径)。采用Logistic回归分析和Bagging决策树分别建立T2DM风险预测模型，并使用Delong检验比较两种模型的预测效能。结果:T2DM长病程亚组胰腺头、颈、体、尾部直径均小于T2DM短病程亚组和HC组(P<0.05),T2DM短病程亚组胰头和胰体直径小于HC组(P<0.05)。T2DM长病程亚组与短病程亚组的甘油三酯和极低密度脂蛋白水平均高于HC组(P<0.05)。各组高密度脂蛋白水平比较：HC组>T2DM短病程亚组>T2DM长病程亚组(P<0.05)。T2DM组胰头、颈、体、尾部直径与病程负相关(P<0.05)。训练集中，Bagging决策树模型预测效能优于Logistic回归模型(P<0.05),ROC曲线下面积(AUC)分别为0.962、0.883,特异度0.986、0.824,敏感度0.790、0.732。测试集中，Bagging决策树和Logistic回归模型预测效能无统计学差异，AUC分别为0.899、0.886,特异度0.906、0.680,敏感度0.781、0.800。结论:基于胰腺形态和临床特征建立的机器学习模型具有较高的T2DM风险预测效能。

关键词

2型糖尿病 / CT / 胰腺 / 直径 / 风险