↓ 跳过正文
  1. 科研/

从“一体适用”到“因人而异”:构建数据驱动的 NIPT 个性化检测方案

作者
李佳鸿
记录科研、工程实践与长期学习。
目录
数学建模研究 - 这篇文章属于一个选集。
§ : 本文
科研

基于机器学习与风险优化的个性化 NIPT 检测时点推荐与异常识别

面向无创产前检测(NIPT)的个体差异问题,融合 XGBoost、SHAP、风险优化、差分进化、蒙特卡洛模拟与 LightGBM,研究个性化检测时点推荐与染色体异常识别。

从“一体适用”到“因人而异”:构建数据驱动的 NIPT 个性化检测方案
状态
Completed
年份
2025
作者:Lingfeng Wang, Jiahong Li, Jiahui Li

摘要

针对传统 NIPT 固定检测窗口难以适应孕妇个体差异的问题,本研究构建了一套从特征关联分析、检测时点优化到染色体异常识别的数据驱动模型体系。

首先,通过 Shapiro-Wilk 检验和 Spearman 相关分析研究孕妇生理指标与 Y 染色体浓度之间的关系,并利用 XGBoost 回归模型捕捉 BMI、孕周等因素与 Y 染色体浓度之间的复杂非线性关系,结合 SHAP 进行模型解释。5 折交叉验证平均 R² 达 0.5535,标准差为 0.0478。

随后,基于 BMI 分层构建时间效率风险与浓度不达标风险相结合的风险最小化模型,并通过蒙特卡洛模拟评估推荐结果的稳定性。在进一步的多因素优化中,引入差分进化算法同步优化 BMI 分割点与检测时点,得到更精细的个性化检测方案。

对于女胎异常识别,将问题构建为类别不平衡二分类任务,采用 SMOTE 进行样本平衡,并使用 LightGBM 建模与阈值优化,使异常样本召回率由 40% 提升至 80%。

最终形成了一套兼顾预测能力、风险决策、模型可解释性与鲁棒性的 NIPT 个性化检测方案。

BibTeX
map[code: lang:plain]

分享

研究背景
#

NIPT(无创产前检测)通过分析孕妇外周血中的胎儿游离 DNA,对胎儿常见染色体非整倍体异常进行筛查。

在实际检测过程中,胎儿游离 DNA 浓度会受到孕周、孕妇 BMI、年龄等多种因素影响。若检测时间过早,胎儿 DNA 浓度可能不足,导致检测失败或结果可靠性下降;若检测时间过晚,又可能错过更合适的检测与干预窗口。

因此,传统固定检测窗口的“一体适用”方案难以充分考虑孕妇之间的个体差异。

本研究围绕这一问题,希望从统一检测时间转向基于个体特征的数据驱动推荐,构建一套覆盖:

影响因素分析 → 浓度预测 → 检测时点优化 → 多因素联合决策 → 染色体异常识别

的 NIPT 个性化建模体系。


研究目标
#

研究主要围绕四个相互关联的问题展开。

Y 染色体浓度影响因素分析
#

分析检测孕周、BMI、年龄、身高、体重、染色体相关指标以及测序质量指标等因素与男胎 Y 染色体浓度之间的关系,并建立能够描述复杂非线性关系的预测模型。

基于 BMI 的检测时点推荐
#

根据孕妇 BMI 对人群进行分层,在“尽早完成检测”和“保证胎儿 DNA 浓度达到检测要求”之间进行权衡,为不同 BMI 群体寻找综合风险较低的检测时点。

多因素个性化优化
#

在 BMI 分层基础上进一步考虑时间、准确性、成本及分组差异等风险因素,同时优化:

  • BMI 分组边界;
  • 各组最佳检测孕周。

目标是降低整体潜在风险,使分组与检测时点推荐更加数据驱动。

女胎染色体异常识别
#

对于无法利用 Y 染色体作为直接指标的女胎样本,综合染色体 Z 值、GC 含量、BMI、年龄和测序相关指标建立二分类模型,对 13、18、21 号染色体非整倍体异常进行风险识别。


整体研究框架
#

整个研究形成了如下递进链路:

数据预处理 → 特征相关性分析 → XGBoost 非线性建模 → BMI 分层风险优化 → 多因素联合优化 → 女胎异常分类与阈值优化

主要使用的方法包括:

Shapiro-Wilk Spearman XGBoost SHAP Grid Search Monte Carlo Simulation Differential Evolution SMOTE LightGBM Precision-Recall


数据预处理
#

由于数据来源于真实检测记录,在正式建模前首先对数据进行了清洗和标准化处理。

样本筛选
#

针对不同研究任务分别筛选男胎和女胎样本,并保留后续模型所需要的关键检测记录。

孕周格式转换
#

将类似:

13w + 5

的孕周表示转换为连续数值:

13 + 5 / 7 ≈ 13.71

便于进行机器学习建模和数值优化。

缺失值与异常值处理
#

对 BMI、孕周等关键变量的缺失情况进行检查,并结合数据特征完成相应的数据补全和异常记录处理。

重复检测处理
#

对于同一孕妇在同一日期或相同孕周存在多次检测的情况,对重复记录进行筛选,尽量避免重复样本对模型训练产生额外影响。


Y 染色体浓度影响因素建模
#

数据分布与相关性分析
#

首先结合变量分布直方图、Q-Q 图和 Shapiro-Wilk 检验分析核心变量的分布特征。

结果表明,BMI、检测孕周、Y 染色体浓度等变量大多不满足正态分布假设,因此采用非参数的 Spearman 等级相关系数分析变量之间的单调关系。

分析得到:

  • Y 染色体浓度与孕妇 BMI 呈负相关,Spearman ρ 约为 -0.152;
  • Y 染色体浓度与检测孕周呈弱正相关,ρ 约为 0.087。

结果表明:

BMI 越高,Y 染色体浓度总体越低;随着孕周增加,Y 染色体浓度总体呈上升趋势。

但整体相关程度并不高,说明这些变量与 Y 染色体浓度之间并不是简单线性关系。


XGBoost 非线性回归
#

为进一步捕捉变量之间的复杂非线性关系,研究采用 XGBoost 回归模型预测 Y 染色体浓度。

模型首先使用候选变量进行训练,并根据特征重要性筛选关键特征,最终重点考虑:

  • 检测孕周;
  • 孕妇 BMI;
  • X 染色体浓度。

同时针对目标变量的偏态分布进行相应变换,以改善模型训练效果。


五折交叉验证
#

采用 5 折交叉验证评估模型稳定性。

五折 R² 分别约为:

0.5960、0.4698、0.5777、0.5926、0.5315

最终得到:

平均 R² = 0.5535

标准差 = 0.0478

模型能够解释超过一半的 Y 染色体浓度变化,同时不同数据划分下的性能波动相对有限。


SHAP 可解释性分析
#

为了降低机器学习模型的“黑箱”属性,进一步利用 SHAP 分析各特征对预测结果的影响。

结果显示:

  • X 染色体浓度:与预测的 Y 染色体浓度存在明显正向关系;
  • 检测孕周:总体表现为弱正向影响;
  • 孕妇 BMI:表现出较明显的负向影响。

因此,XGBoost 不仅能够学习复杂非线性关系,也能够通过 SHAP 对主要预测因素进行解释。


基于 BMI 分层的检测时点优化
#

在问题一的浓度预测模型基础上,进一步研究:

不同 BMI 孕妇应该在什么时候进行 NIPT 检测?

其中存在一个核心权衡:

检测过早可能导致胎儿 DNA 浓度不足,而检测过晚又会增加时间成本和潜在风险。

因此,将检测时点选择转化为综合风险最小化问题。


BMI 分层
#

采用基于分位数的分组方法,将样本划分为三个 BMI 群体。

低 BMI 组

  • BMI:20.70 ~ 30.65
  • 样本量约:336
  • 平均 BMI:29.4

中 BMI 组

  • BMI:30.66 ~ 33.18
  • 样本量约:333
  • 平均 BMI:31.9

高 BMI 组

  • BMI:33.20 ~ 46.88
  • 样本量约:339
  • 平均 BMI:35.5

该分组方式使各组样本规模相对接近,同时保证 BMI 区间连续且基本不重叠。


风险最小化模型
#

研究主要考虑两类风险。

时间效率风险

用于描述检测时间过早或过晚所产生的时间成本与延误风险。

浓度不达标风险

用于描述某一孕周下胎儿 DNA 浓度未达到检测要求的可能性。

综合风险可以概括为:

综合风险 = 时间效率风险 + 浓度不达标风险

针对不同候选孕周,利用 XGBoost 模型预测 Y 染色体浓度,并计算相应风险,从中寻找综合风险最低的位置。


最佳检测时点
#

最终得到:

  • 低 BMI 组:14.2 周
  • 中 BMI 组:18.2 周
  • 高 BMI 组:25.2 周

整体呈现明显趋势:

BMI 越高,推荐检测时点越晚。

这一结果说明,固定使用统一检测窗口可能无法充分适应不同 BMI 群体之间的差异。


蒙特卡洛鲁棒性分析
#

为了分析预测误差是否会显著改变最佳检测时间,在 XGBoost 预测结果中加入随机扰动。

模拟设置包括:

  • 预测误差标准差约 0.5%;
  • 每个群体重复模拟 50 次;
  • 每次重新计算最佳检测时点。

结果显示,中低 BMI 群体推荐时间较为稳定,高 BMI 群体虽然存在一定波动,但最优时点总体仍集中在相对有限的范围内。

说明该分层推荐策略具有一定鲁棒性。


多因素分组与检测时点联合优化
#

固定 BMI 分组本身仍然带有一定人为设定。

因此进一步将:

BMI 分割点本身也作为优化变量

让算法同时决定:

  • 如何划分 BMI 群体;
  • 各群体应在什么孕周进行检测。

决策变量
#

模型需要同时搜索五个变量:

V = (s1, s2, t1, t2, t3)

其中:

  • s1:第一个 BMI 分割点;
  • s2:第二个 BMI 分割点;
  • t1:低 BMI 组检测时间;
  • t2:中 BMI 组检测时间;
  • t3:高 BMI 组检测时间。

多因素风险函数
#

相比前一阶段,联合优化模型进一步考虑:

时间风险

描述检测过早或过晚导致的时间损失。

准确性风险

根据 XGBoost 预测结果计算浓度不达标概率。

检测成本风险

刻画不同检测时间对应的潜在成本差异。

孕妇风险

根据 BMI 水平对相关风险进行简化量化。

分组差异惩罚

避免出现低 BMI 人群检测过晚、高 BMI 人群检测过早等不合理组合。

最终对这些风险项进行加权,构成整体目标函数。


差分进化优化
#

由于目标函数同时具有非线性、非凸、分段函数以及连续和离散变量混合等特点,因此采用 Differential Evolution(差分进化)进行全局搜索。

算法不断生成不同的:

(s1, s2, t1, t2, t3)

组合,并计算相应总风险,最终寻找整体风险较低的方案。


最优方案
#

最终得到两个 BMI 分割点:

23.89

31.98

对应三组推荐策略为:

低 BMI 组

  • BMI:[20.70, 23.89)
  • 推荐:第 12 周检测

中 BMI 组

  • BMI:[23.89, 31.98)
  • 推荐:第 14 周检测

高 BMI 组

  • BMI:[31.98, 46.88]
  • 推荐:第 15 周检测

对应理论最小总风险:

0.7551

整体仍然呈现 BMI 越高、推荐检测时间越晚的阶梯式变化。


误差敏感性分析
#

进一步在不同噪声水平下重复优化,以分析数据误差对最终方案的影响。

结果表明:

  • 低噪声环境下模型具有较好的稳定性;
  • 当噪声不超过约 10% 时,整体优化结果仍相对稳定;
  • 随着噪声增大,风险评估不确定性明显增加;
  • 高噪声下,BMI 分割点和最佳检测孕周容易出现波动。

因此,这类个性化推荐模型对临床数据质量具有较高依赖。


女胎染色体异常识别
#

对于女胎样本,由于不存在 Y 染色体,无法直接利用 Y 染色体浓度作为判断指标。

因此,将女胎异常识别建模为二分类问题,根据多维检测特征判断样本属于:

正常 / 异常

其中异常标签依据 13、18、21 号染色体非整倍体检测结果确定。


类别不平衡处理
#

原始训练集中:

  • 正常样本:478
  • 异常样本:64

异常样本仅占约:

11.8%

直接训练容易使模型明显偏向数量更多的正常类别。

因此采用 SMOTE 对异常样本进行合成过采样。

处理后:

  • 正常样本:478
  • 异常样本:478

从而形成相对平衡的训练数据。


LightGBM 分类模型
#

研究使用 LightGBM 建立女胎异常分类模型。

输入特征主要包括:

  • 孕妇年龄;
  • BMI;
  • 各染色体 Z 值;
  • GC 含量;
  • X 染色体相关指标;
  • 测序读段数;
  • 比对比例;
  • 其他相关生物信息学特征。

数据按照约 7 : 3 划分训练集和测试集,并采用分层抽样保持正常和异常样本比例。


超参数优化
#

采用网格搜索与分层交叉验证优化模型参数,重点调整:

  • 学习率;
  • 树深度;
  • 叶子节点数量;
  • 估计器数量;
  • 子采样比例;
  • 特征采样比例;
  • 正则化参数。

由于异常识别属于典型类别不平衡任务,因此评价时不仅关注 Accuracy,更关注:

Precision Recall F1 Score


默认模型结果
#

在默认分类阈值下:

正常类别

  • Precision:0.91
  • Recall:0.93
  • F1:0.92

异常类别

  • Precision:0.46
  • Recall:0.40
  • F1:0.43

整体 Accuracy:

0.86

虽然总体准确率较高,但异常类别召回率仅为 40%。

换言之,15 个真实异常样本中只能识别出约 6 个。

这说明仅使用整体 Accuracy 评价模型,会掩盖模型对少数异常类别识别能力不足的问题。


Precision-Recall 阈值优化
#

在筛查任务中,相比误报,漏掉真实异常样本通常需要更加谨慎。

因此进一步分析 Precision-Recall Curve,并降低分类决策阈值,提高模型对异常样本的敏感程度。

优化后:

异常 Recall:0.40 → 0.80

也就是说模型能够识别约:

80% 的真实异常样本

与此同时,异常类别 Precision 降低至约:

0.23

体现出明显的 Precision 与 Recall 权衡。

因此,该模型更适合作为高敏感度的初步风险筛查工具,而不是直接作为最终诊断依据。


核心结果
#

本研究最终形成了从数据分析、预测建模到风险优化和异常识别的一整套建模流程。

Y 染色体浓度预测
#

XGBoost 五折交叉验证:

平均 R² = 0.5535

标准差 = 0.0478

BMI 分层检测时点
#

基于风险最小化模型:

  • 低 BMI:14.2 周
  • 中 BMI:18.2 周
  • 高 BMI:25.2 周

多因素联合优化
#

得到 BMI 分割点:

23.89 / 31.98

对应推荐孕周:

12 周 / 14 周 / 15 周

理论总风险:

0.7551

女胎异常识别
#

LightGBM 经阈值优化后:

异常 Recall:40% → 80%


研究特点
#

从统计相关性扩展到非线性建模
#

研究没有停留在简单相关系数分析,而是进一步使用 XGBoost 学习孕周、BMI 等因素与 Y 染色体浓度之间的复杂非线性关系。

引入模型可解释性
#

通过 SHAP 分析不同变量对预测结果的贡献方向,使模型不仅能够给出预测结果,也能够解释主要影响因素。

从预测进一步走向决策
#

研究并不只关注“浓度能否预测”,而是进一步回答:

什么时候检测更合适?

通过风险函数将机器学习预测结果转化为检测时点优化问题。

自动优化人群分组
#

进一步将 BMI 分割点也纳入决策变量,通过差分进化同时优化:

人群分组 + 检测时点

降低固定分组规则带来的主观性。

关注少数异常样本
#

在女胎异常识别中,通过 SMOTE、Precision-Recall 分析和阈值优化,重点提升模型对少数异常类别的召回能力。

使用鲁棒性分析验证方案
#

通过随机扰动与重复模拟,进一步检验预测误差和数据噪声对最终推荐结果的影响。


模型局限
#

对数据质量依赖较强
#

模型训练、BMI 分组边界和检测时点推荐均直接依赖当前数据。

当实际人群的 BMI 分布、年龄结构、检测设备或实验流程发生变化时,模型性能可能随之变化。

风险函数包含人为设定
#

时间风险、成本风险、权重和分组惩罚等因素均需要进行数学化定义,因此仍然是对真实临床决策过程的简化。

高噪声环境下稳定性下降
#

误差分析表明,随着输入误差增大:

  • 最优 BMI 分组更容易变化;
  • 推荐孕周波动增加;
  • 总风险估计不确定性上升。

因此模型需要建立在较严格的数据质量控制基础上。

外部泛化能力仍需验证
#

当前结果主要基于已有数据完成训练和测试,在不同地区、医疗机构、人群和检测平台上的泛化能力仍需通过更多独立数据验证。

Precision 与 Recall 存在明显权衡
#

异常 Recall 提高到 80% 后,Precision 降低到约 23%。

因此模型更适合作为:

高敏感度的初步风险筛查模型

而不是独立承担最终临床诊断。


总结
#

本研究围绕 NIPT 检测中的个体差异和异常样本识别问题,构建了一套从统计分析、机器学习预测到风险优化与异常分类的完整数据驱动模型体系。

在男胎分析中,研究利用 Spearman 分析变量关联,通过 XGBoost 建立 Y 染色体浓度非线性预测模型,并结合 SHAP 分析模型可解释性。在此基础上,进一步构建基于 BMI 的风险最小化模型,并使用差分进化联合优化 BMI 分组边界与检测孕周,同时通过蒙特卡洛模拟和误差敏感性分析检验方案稳定性。

在女胎异常识别中,将任务转化为类别不平衡二分类问题,通过 SMOTE 平衡样本、LightGBM 完成分类,并结合 Precision-Recall 曲线进行决策阈值优化,将异常样本召回率由 40% 提升至 80%。

最终形成:

数据分析 → 非线性预测 → 风险量化 → 分组优化 → 检测时点推荐 → 异常识别

的完整建模链路。

相比固定检测时间的“一体适用”方式,本研究尝试利用个体特征与数据模型,为不同孕妇群体提供更加差异化的检测时点建议,并为 NIPT 个性化检测方案的进一步研究提供数据驱动的建模思路。


关键词
#

NIPT XGBoost LightGBM SHAP SMOTE 差分进化 蒙特卡洛模拟 风险优化 机器学习 医疗数据分析

数学建模研究 - 这篇文章属于一个选集。
§ : 本文