基于机器学习的环境金属暴露下2型糖尿病诊断方法

1.本技术属于糖尿病预测技术领域，具体涉及基于机器学习的环境金属暴露下2型糖尿病诊断方法。


背景技术：

2.糖尿病是以高血糖为特征的慢性代谢性疾病，严重影响患者的生活质量。2型糖尿病是一种常见的代谢疾病，约占糖尿病患者的90％，随着生活环境、生活方式、饮食结构及药物干预等诸多因素的影响，2型糖尿病的诊断与治疗面临着极为严峻的挑战。
3.到目前为止，各种机器学习模型已成为诊断糖尿病、识别隐藏的糖尿病风险生物标志物和预测糖尿病风险的重要工具。一般来说，这些学习模型主要分为三类：(1)基本分类器，包括支持向量机、逻辑回归和套索(lasso)回归；(2)常见的集成分类器，包括随机森林和极端梯度提升树(xgboost)；(3)投票集成分类器，包括软投票集成分类器和硬投票集成分类器。然而，目前的研究一般采用不同的机器学习模型或相同的模型来进行疾病辅助诊断的特征选择和分类。通过组合多个基本分类器，集成分类器可以降低基本分类器的偏差和方差，以获得更准确的预测结果，提高分类器的泛化能力。为了在早期检测特发性肺纤维化的严重程度，hee cheol kim等人应用xgboost、梯度提升算法和软投票集成模型分别预测特发性肺纤维化加重的4个阶段，其中软投票集成分类器在特发性肺纤维化疾病患者的早期预测中表现最佳。夏彦恺等人利用随机森林分类器和lasso回归算法选择特征并建立预测糖尿病的最优模型。an dinh等人采用xgboost对糖尿病和心血管数据集进行特征选择，并比较logistic回归、支持向量机、随机森林和投票集成分类器在糖尿病或心血管疾病患者的检测中的准确性。
4.由于特征选择与基于机器学习的集成分类器的结合是糖尿病研究中的一种新兴方法，而基于具有各自最优超参数的xgboost、随机森林和lightgbm分类器组合成投票集成分类器的疾病预测方法未被研究，本专利提出一个基于xgboost、随机森林和lightgbm的集成分类器(xrl分类器)用于2型糖尿病的潜在诊断。同时，相比传统的分类器，本专利所提出的xrl分类器额外考虑尿液和饮食中金属暴露物对2型糖尿病的潜在影响。


技术实现要素：

5.本技术提供基于机器学习的环境金属暴露下2型糖尿病诊断方法，以解决现有技术中忽略金属暴露物的潜在影响及未考虑集成具有最优超参数的机器学习模型导致分类器的预测精度和分类准确率下降的技术问题。
6.为解决上述技术问题，本技术采用的一个技术方案是：一种环境金属暴露下2型糖尿病诊断模型构建方法，包括以下步骤：基于nhanes数据集，对nhanes数据集进行数据清洗，获取第一数据集；基于第一数据集，利用随机森林算法筛选第一数据集的特征，获取特征数据集；基于xgboost分类器、随机森林(random forest)分类器和lightgbm分类器，构建xrl分类器；基于xrl分类器和特征数据集，进行2型糖尿病诊断分析。
7.进一步，基于nhanes数据集，对nhanes数据集进行数据清洗，获取第一数据集的方法，包括以下步骤：
8.基于nhanes数据集，获取x0个特征以及多个样本；
9.基于样本，获取特征的数据缺失比例；
10.基于所有特征的数据缺失比例，获取第二数据集；
11.基于第二数据集和各个特征的有效数据范围，筛选获取第二数据集中的异常值；
12.使用均值处理连续变量的异常值，使用众数处理分类变量的异常值，获取第一数据集；其中，第一数据集包含x1个特征和多个样本。
13.进一步，基于所有特征的数据缺失比例，获取第二数据集的方法，包括：响应于特征的数据缺失比例不小于50％，剔除该特征；响应于特征的数据缺失比例小于50％，使用均值填充连续变量的特征缺失值或使用众数填充分类变量的特征缺失值，获取第二数据集。
14.进一步，基于第一数据集，利用随机森林算法筛选第一数据集的特征，获取特征数据集的方法，包括：
15.基于第一数据集和随机森林算法，获取第一数据集中的x1个特征的重要性得分并进行排序；
16.基于x1个特征的重要性得分，保留重要性得分较高的前x2个特征，剔除其他特征；
17.基于随机森林算法，再次获取x2个特征的重要性得分并排序；
18.基于x2个特征的重要性得分排序，获取两个特征数据集；其中，一个特征数据集包括重要性得分较高的含金属暴露物的前x3个特征，另一个特征数据集包括不含金属暴露物的前x3个特征；x0》x1》x2》x3。
19.进一步，基于xgboost分类器、随机森林(random forest)分类器和lightgbm分类器，构建xrl分类器的方法，包括：
20.基于特征数据集，按照特定比例将特征数据集中的样本分为测试集和训练集；
21.基于训练集，对xgboost分类器、随机森林分类器和lightgbm分类器进行训练；
22.基于测试集，分别对xgboost分类器、随机森林分类器和lightgbm分类器进行5折交叉验证；
23.基于随机搜索算法，获取xgboost分类器、随机森林分类器和lightgbm分类器的最优超参数；
24.集成具有最优超参数的xgboost分类器、随机森林分类器和lightgbm分类器，构建xrl分类器。
25.进一步，基于xrl分类器和特征数据集，进行2型糖尿病诊断分析的方法，包括：
26.基于具有最优超参数的xgboost分类器、随机森林分类器和lightgbm分类器的auc值，计算各类分类器的权重；
27.基于各类分类器的权重，分别计算患2型糖尿病和不患2型糖尿病的加权平均预测概率；
28.基于加权平均预测概率，对患2型糖尿病和不患2型糖尿病的加权平均预测概率进行排序，获取加权平均预测概率最高的序号。
29.进一步，计算各类分类器的权重的方法，包括：
30.根据公式(1)计算权重，其中公式(1)为：
[0031][0032]
其中，wm为分类器m的权重值，aucm为分类器m下的2型糖尿病真阳性率，m＝1,2,3，m＝1代表xgboost分类器，m＝2代表随机森林分类器，m＝3代表lightgbm分类器。
[0033]
进一步，基于各类分类器的权重，分别计算患2型糖尿病和不患2型糖尿病的加权平均预测概率的方法，包括：
[0034]
根据公式(2)计算加权平均预测概率，其中公式(2)为；
[0035][0036]
其中，pn为状态n下的加权平均预测概率，p
mn
为分类器m下状态n的预测概率，n＝1表示患2型糖尿病，n＝0表示不患2型糖尿病。
[0037]
进一步，基于加权平均预测概率，对患2型糖尿病和不患2型糖尿病的加权平均预测概率进行排序，获取加权平均预测概率最高的序号，包括：
[0038]
根据公式(3)来计算加权平均预测概率最高的序号，公式(3)为：
[0039][0040]
其中，k为加权平均预测概率最高的序号，若k＝1，则代表该患者患2型糖尿病，若k＝0，则代表该患者未患2型糖尿病。
[0041]
本技术的有益效果是：本技术利用随机搜索算法和5折交叉验证，训练xgboost、随机森林和lightgbm这3个机器学习分类器，并根据其auc值计算所得的相应权重将具有最优超参数的xgboost、随机森林(random forest)和lightgbm分类器构建为xrl分类器，同时额外考虑尿液和饮食中金属暴露物对2型糖尿病的潜在影响。相比于lasso分类器和不考虑金属暴露物的xrl分类器，本技术所提出的考虑金属暴露物的xrl分类器提升了2型糖尿病的预测精度与分类准确率，从而促进生活方式和饮食干预2型糖尿病。
附图说明
[0042]
图1是本技术的环境金属暴露下2型糖尿病诊断模型构建方法一实施例的流程示意图；
[0043]
图2为图1中的步骤s1一实施例的流程示意图；
[0044]
图3为图2中的步骤s13一实施例的流程示意图；
[0045]
图4为图1中的步骤s2一实施例的流程示意图；
[0046]
图5为图1中的步骤s3一实施例的流程示意图；
[0047]
图6为图1中的步骤s4一实施例的流程示意图；
[0048]
图7为本技术的环境金属暴露下2型糖尿病诊断模型构建方法一实施例的含金属暴露物的xrl分类器与不含金属暴露物的xrl分类器的roc曲线图；
[0049]
图8为本技术的环境金属暴露下2型糖尿病诊断模型构建方法一实施例的xrl分类器与lasso分类器的roc曲线图。
具体实施方式
[0050]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。
[0051]
参阅图1，图1是本技术的环境金属暴露下2型糖尿病诊断模型构建方法一实施例的流程示意图。该方法包括以下步骤：
[0052]
步骤s1.基于nhanes数据集，对nhanes数据集进行数据清洗，获取第一数据集。
[0053]
具体的，参阅图2，图2为图1中的步骤s1一实施例的流程示意图。该步骤s1包括：
[0054]
步骤s11.基于nhanes数据集，获取x0个特征以及多个样本。
[0055]
具体的，本技术从国家卫生统计中心官网获取2005-2016年期间的nhanes数据集，共包含3900个特征，14950个样本。
[0056]
步骤s12.基于样本，获取特征的数据缺失比例。
[0057]
具体的，计算nhanes数据集中每个样本中的所有特征的数据缺失比例ηi，i＝1,2,
…
,3900。
[0058]
步骤s13.基于所有特征的数据缺失比例，获取第二数据集。
[0059]
具体的，第二数据集为特征数据缺失已经补完的数据集。
[0060]
判断各特征的数据缺失比例ηi是否小于50％。
[0061]
参阅图3，图3为图2中的步骤s13一实施例的流程示意图。
[0062]
步骤s131.响应于特征的数据缺失比例不小于50％，剔除该特征。
[0063]
具体的，若样本的特征的数据缺失比例ηi不小于50％，则直接剔除第i个特征项。
[0064]
步骤s132.响应于特征的数据缺失比例小于50％，使用均值填充连续变量的特征缺失值或使用众数填充分类变量的特征缺失值，获取包含数据缺失比例较少的第二数据集。
[0065]
具体的，若ηi小于50％，则用对应特征数据中的均值填充连续变量的缺失值，用对应特征数据中的众数填充分类变量的缺失值。
[0066]
步骤s14.基于和各个特征的有效数据范围，筛选获取第二数据集中的异常值。
[0067]
具体的，根据中的各特征项的有效数据范围筛选特征项的异常值；
[0068]
步骤s15.使用均值处理连续变量的异常值，使用众数处理分类变量的异常值，获取第一数据集；其中，第一数据集包含x1个特征和多个样本。
[0069]
具体的，分别用对应异常值的均值和众数处理连续变量和分类变量的异常值。得到清洗后的第一数据集，共包含102个特征，14950个样本。
[0070]
在本实施例中，通过均值处理的方法是计算连续变量的特征数值时，计算该项对应的特征数据的平均数，将平均数作为处理得到的缺失值或异常值。示例性，患者的缺失的是患者的年龄数据，则将所有患者的平均年龄作为该患者的年龄数据。
[0071]
众数处理分类变量的特征数值时，选取出现频率最多的对应的特征数据作为处理得到的数值。示例性，患者缺失的是患者的教育水平，则将所有患者教育水平中出现频次最多的等级作为该患者的教育水平。
[0072]
步骤s2.基于第一数据集，利用随机森林算法筛选第一数据集的特征，获取特征数据集。
[0073]
具体的，参阅图4，图4为图1中的步骤s2一实施例的流程示意图。步骤s2包括：
[0074]
s21.基于第一数据集和随机森林算法，获取每个中的x1个特征的重要性得分并进行排序。
[0075]
具体的，利用随机森林算法计算清洗后的第一数据集中102个特征的重要性得分wj并进行排序，j＝1,2,
…
,102。
[0076]
s22.基于特征的重要性得分，保留重要性得分较高的前x2个特征，剔除其他特征。
[0077]
具体的，综合比较所有特征的重要性得分，保留重要性得分较高的前51个特征，剔除剩余的51个特征项。
[0078]
s23.基于随机森林算法，再次获取x2个特征的重要性得分并排序。
[0079]
具体的，再次利用随机森林算法计算剩余的51个特征的重要性得分hk并进行排序，k＝1,2,
…
,51。
[0080]
s24.基于x2个特征的重要性得分排序，获取两个特征数据集；其中，一个特征数据集包括重要性得分较高的含金属暴露物的前x3个特征，另一个特征数据集包括不含金属暴露物的前x3个特征。其中，x0》x1》x2》x3。
[0081]
具体的，根据51个特征的重要性得分排序，分别保留重要性得分较高的含金属暴露物的前15个特征和不含金属暴露物的前15个特征，剔除剩余的36个特征项。
[0082]
步骤s3.基于xgboost分类器、随机森林(random forest)分类器和lightgbm分类器，构建xrl分类器。
[0083]
具体的，参阅图5，图5为图1中的步骤s3一实施例的流程示意图。步骤s3包括：
[0084]
步骤s31.基于特征数据集，按照特定比例将特征数据集中的样本分为测试集和训练集。
[0085]
具体的，本实施例中，将包含15个特征的数据集中样本按2:8划分为测试集和训练集。
[0086]
步骤s32.基于训练集，对xgboost分类器、随机森林分类器和lightgbm分类器进行训练。
[0087]
具体的，将训练集中的数据输入xgboost分类器、随机森林分类器和lightgbm分类器，并对各个分类器进行训练。
[0088]
步骤s33.基于测试集，分别对xgboost分类器、随机森林分类器和lightgbm分类器进行5折交叉验证。
[0089]
具体的，再将测试集中的特征数据输入，训练完成的xgboost分类器、随机森林分类器和lightgbm分类器，冰箱进行5折交叉验证。
[0090]
步骤s34.基于随机搜索算法，获取xgboost分类器、随机森林分类器和lightgbm分类器的最优超参数。
[0091]
具体的，利用随机搜索算法分别寻找上述3个机器学习分类器的最优超参数，得到具有最优超参数的xgboost分类器、随机森林分类器和lightgbm分类器。
[0092]
步骤s35.集成具有最优超参数的xgboost分类器、随机森林分类器和lightgbm分类器，构建xrl分类器。
[0093]
具体的，集成具有最优超参数的xgboost分类器、随机森林(random forest)分类器和lightgbm分类器并构建xrl分类器。
[0094]
步骤s4.基于xrl分类器和特征数据集，进行2型糖尿病诊断分析。
[0095]
具体的，参阅图6，图6为图1中的步骤s4一实施例的流程示意图。步骤s3包括：
[0096]
步骤s41.基于具有最优超参数的xgboost分类器、随机森林分类器和lightgbm分类器的auc值，计算各类分类器的权重。
[0097]
具体的，根据具有最优超参数的各机器学习分类器的auc值，分别计算每个分类器的权重。
[0098]
根据公式(1)计算权重，其中公式(1)为：
[0099][0100]
其中，wm为分类器m的权重值，aucm为分类器m下的2型糖尿病真阳性率，m＝1,2,3，m＝1代表xgboost分类器，m＝2代表随机森林分类器，m＝3代表lightgbm分类器。
[0101]
步骤s42.基于各类分类器的权重，分别计算患2型糖尿病和不患2型糖尿病的加权平均预测概率。
[0102]
具体的，根据计算得到的各个分类器的权重，根据公式(2)计算患2型糖尿病和不患2型糖尿病的加权平均预测概率pn。公式(2)为：
[0103][0104]
其中，pn为状态n下的加权平均预测概率，p
mn
为分类器m下状态n的预测概率，n＝1表示患2型糖尿病，n＝0表示不患2型糖尿病。
[0105]
步骤s43.基于加权平均预测概率，对患2型糖尿病和不患2型糖尿病的加权平均预测概率进行排序，获取加权平均预测概率最高的序号。
[0106]
具体的，比较患2型糖尿病和不患2型糖尿病的加权平均预测概率并进行排序，根据公式(3)，得到加权平均预测概率最高的序号k；
[0107][0108]
其中，k为加权平均预测概率最高的序号，若k＝1，则代表该患者患2型糖尿病，若k＝0，则代表该患者未患2型糖尿病。
[0109]
本技术利用随机搜索算法和5折交叉验证，训练xgboost、随机森林和lightgbm这3个机器学习分类器，并根据其auc值计算所得的相应权重将具有最优超参数的xgboost、随机森林(random forest)和lightgbm分类器构建为xrl分类器，同时额外考虑尿液和饮食中金属暴露物对2型糖尿病的潜在影响。相比于lasso分类器和不考虑金属暴露物的xrl分类器，本技术所提出的考虑金属暴露物的xrl分类器提升了2型糖尿病的预测精度与分类准确率，从而促进生活方式和饮食干预2型糖尿病。
[0110]
为验证本实施例的效果，应用matlab进行数值仿真验证。
[0111]
本实施中筛选的与2型糖尿病密切相关的15个特征(含金属暴露物)如表1所示：
[0112]
表1为2型糖尿病密切相关的15个特征(含金属暴露物)。
[0113]
重要度排序特征重要度排序特征重要度排序特征1总糖量6种族/民族11尿液汞2体重7血压12肌氨酸酐3年龄8酒精13碳水化合物
4腰围9α-胡萝卜素14蛋白质5膳食铜10尿液镉15睡眠时间
[0114]
本实施中筛选的与2型糖尿病密切相关的15个特征(不含金属暴露物)如表2所示：
[0115]
表2为2型糖尿病密切相关的15个特征(不含金属暴露物)。
[0116]
重要度排序特征重要度排序特征重要度排序特征1总糖量6种族/民族11身体质量指数2体重7酒精12碳水化合物3年龄8α-胡萝卜素13蛋白质4腰围9睡眠时间14视黄醇5血压10肌氨酸酐15教育水平
[0117]
本实施中xgboost分类器、随机森林分类器、lightgbm分类器与考虑金属暴露物的xrl分类器在测试集上的评价结果对比如表3所示：
[0118]
表2为各个分类器在测试集上的评价结果。
[0119]
分类器accuracyprecisionrecallf1-scoreaucxgboost分类器0.85640.87210.85090.92180.811随机森林分类器0.81090.87560.90320.92230.803lightgbm分类器0.87510.88070.91130.92280.816xrl分类器0.88460.88230.92810.92320.832
[0120]
图7为本实施例中考虑金属暴露物的xrl分类器与不考虑金属暴露物的xrl分类器的roc曲线图。不考虑金属暴露物的xrl分类器的auc值为0.772，而考虑金属暴露物的xrl分类器的auc值为0.832。结果表明，考虑金属暴露物的集成分类器的性能优于不考虑金属暴露物的集成分类器。可以看出，本实施例提出的考虑金属暴露物的xrl分类器对2型糖尿病的潜在诊断有重要贡献。
[0121]
图8为本实施例中考虑金属暴露物xrl分类器与lasso分类器的roc曲线图。lasso分类器的auc值为0.78，而考虑金属暴露物xrl分类器的auc值为0.844。结果表明，本实施例提出的考虑金属暴露物xrl集成分类器的性能优于lasso分类器。可以看出，本实施例设计的特征筛选方法和考虑金属暴露物xrl分类器为量化金属暴露物对2型糖尿病的潜在影响提供了新的方法。
[0122]
以上所述仅为本技术的实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本技术的专利保护范围内。

技术特征：
1.一种环境金属暴露下2型糖尿病诊断模型构建方法，其特征在于，包括以下步骤：基于nhanes数据集，对所述nhanes数据集进行数据清洗，获取第一数据集；基于所述第一数据集，利用随机森林算法筛选所述第一数据集的特征，获取特征数据集；基于xgboost分类器、随机森林分类器和lightgbm分类器，构建xrl分类器；基于所述xrl分类器和所述特征数据集，进行2型糖尿病诊断分析。2.根据权利要求1所述的方法，其特征在于，所述基于nhanes数据集，对所述nhanes数据集进行数据清洗，获取第一数据集的方法，包括以下步骤：基于所述基于nhanes数据集，获取x0个特征以及多个样本；基于所述样本，获取所述特征的数据缺失比例；基于所有所述特征的数据缺失比例，获取第二数据集；基于所述第二数据集和各个特征的有效数据范围，筛选获取所述第二数据集中的异常值；使用均值处理连续变量的所述异常值，使用众数处理分类变量的所述异常值，获取所述第一数据集；其中，所述第一数据集包含x1个特征和多个样本。3.根据权利要求2所述的方法，其特征在于，所述基于所有所述特征的数据缺失比例，获取第二数据集的方法，包括：响应于所述特征的数据缺失比例不小于50％，剔除所述特征；响应于所述特征的数据缺失比例小于50％，使用均值填充连续变量的特征缺失值或使用众数填充分类变量的特征缺失值，获取第二数据集。4.根据权利要求2所述的方法，其特征在于，所述基于所述第一数据集，利用随机森林算法筛选所述第一数据集的特征，获取特征数据集的方法，包括：基于所述第一数据集和所述随机森林算法，获取所述第一数据集中的x1个特征的重要性得分并进行排序；基于所述x1个特征的重要性得分，保留重要性得分较高的前x2个特征，剔除其他特征；基于所述随机森林算法，再次获取所述x2个特征的重要性得分并排序；基于所述x2个特征的重要性得分排序，获取两个所述特征数据集；其中，一个所述特征数据集包括重要性得分较高的含金属暴露物的前x3个特征，另一个所述数据集包括不含金属暴露物的前x3个特征；x0>x1>x2>x3。5.根据权利要求4所述的方法，其特征在于，所述基于xgboost分类器、随机森林分类器和lightgbm分类器，构建xrl分类器的方法，包括：基于所述特征数据集，按照特定比例将所述特征数据集中的样本分为测试集和训练集；基于所述训练集，对所述xgboost分类器、所述随机森林分类器和所述lightgbm分类器进行训练；基于所述测试集，分别对所述xgboost分类器、所述随机森林分类器和所述lightgbm分类器进行5折交叉验证；基于随机搜索算法，获取所述xgboost分类器、所述随机森林分类器和所述lightgbm分类器的最优超参数；
集成具有最优超参数的所述xgboost分类器、所述随机森林分类器和所述lightgbm分类器，构建所述xrl分类器。6.根据权利要求5所述的方法，其特征在于，所述基于所述xrl分类器和所述特征数据集，进行2型糖尿病诊断分析的方法，包括：基于具有最优超参数的所述xgboost分类器、所述随机森林分类器和所述lightgbm分类器的auc值，计算各类分类器的权重；基于各类分类器的权重，分别计算患2型糖尿病和不患2型糖尿病的加权平均预测概率；基于所述加权平均预测概率，对患2型糖尿病和不患2型糖尿病的所述加权平均预测概率进行排序，获取加权平均预测概率最高的序号。7.根据权利要求6所述的方法，其特征在于，所述计算各类分类器的权重的方法，包括：根据公式(1)计算权重，其中公式(1)为：其中，w
m
为分类器m的权重值，auc
m
为分类器m下的2型糖尿病真阳性率，m＝1,2,3，m＝1代表xgboost分类器，m＝2代表随机森林分类器，m＝3代表lightgbm分类器。8.根据权利要求7所述的方法，其特征在于，所述基于各类分类器的权重，分别计算患2型糖尿病和不患2型糖尿病的加权平均预测概率的方法，包括：根据公式(2)计算加权平均预测概率，其中公式(2)为；其中，p
n
为状态n下的加权平均预测概率，p
mn
为分类器m下状态n的预测概率，n＝1表示患2型糖尿病，n＝0表示不患2型糖尿病。9.根据权利要求8所述的方法，其特征在于，所述基于所述加权平均预测概率，对患2型糖尿病和不患2型糖尿病的所述加权平均预测概率进行排序，获取加权平均预测概率最高的序号的方法，包括：根据公式(3)来计算加权平均预测概率最高的所述重要特征的序号，公式(3)为：其中，k为加权平均预测概率最高的序号，若k＝1，则代表该患者患2型糖尿病，若k＝0，则代表该患者未患2型糖尿病。

技术总结
本申请公共开了基于机器学习的环境金属暴露下2型糖尿病诊断方法，其中包括一种环境金属暴露下2型糖尿病诊断模型构建方法，该方法包括：基于NHANES数据集，对NHANES数据集进行数据清洗，获取第一数据集；利用随机森林算法筛选第一数据集的特征，获取特征数据集；基于XGBoost分类器、随机森林分类器和LightGBM分类器，构建XRL分类器；基于XRL分类器和特征数据集，进行2型糖尿病诊断分析。本申请将具有最优超参数的XGBoost、随机森林(Randomforest)和LightGBM分类器构建为XRL分类器，并额外考虑尿液和饮食中金属暴露物对2型糖尿病的潜在影响，提升了2型糖尿病的预测精度与分类准确率，从而促进生活方式和饮食干预2型糖尿病。预2型糖尿病。预2型糖尿病。


技术研发人员：赵敏 黄欣 万瑾 刘鑫
受保护的技术使用者：南通大学
技术研发日：2023.04.03
技术公布日：2023/8/14