文献速览 | 基于机器学习构建诊断模型区分活动性结核病与结核分枝杆菌潜伏感染策：来自定性研究的见解

第一作者及单位：罗颖，华中科技大学同济医学院附属同济医院检验科

通信作者及单位：汪峰和孙自镛，华中科技大学同济医学院附属同济医院检验科；蔡祎旻，华中科技大学同济医学院公共卫生学院；Qi Wang, Télécom Physique Strasbourg, Illkirch‑Graffenstaden, France.

Development of diagnostic algorithm using machine learning for distinguishing between active tuberculosis and latent tuberculosis infection.

Luo Y, Xue Y, Liu W, Song H, Huang Y, Tang G, Wang F, Wang Q, Cai Y, Sun Z.

BMC Infect Dis, 2022，22(1)：965.

doi: 10.1186/s12879-022-07954-7.

PMID: 36581808

目  的

区分活动性结核病（ATB）和结核分枝杆菌潜伏感染（LTBI）仍然是实验室面临的严峻挑战。本研究旨在探讨基于多种实验室数据建立的机器学习诊断模型对区分ATB与LTBI的价值。

方  法

对参与者进行T-SPOT.TB、淋巴细胞相关参数检测以及常规实验室检测。采用多种机器学习算法建立诊断模型。

结  果

从华中科技大学同济医学院附属同济医院入组892例/名参与者（468例ATB，424名LTBI）作为发现队列，从中法新城医院入组263例/名参与者（125例ATB，138名LTBI）作为验证队列。ROC曲线分析表明使用单个指标区分ATB和LTBI价值有限（AUC < 0.8）。本研究使用机器学习一共建立28个诊断模型。其中，25个模型的AUC在测试集中＞0.9。我们发现，基于条件推断决策树作为学习器的随机森林和套袋集成算法建立的条件随机森林（cforest）模型，在区分ATB与LTBI时性能最佳。具体来说，cforest模型区分ATB与LTBI的AUC达到了0.978，敏感度和特异度分别为93.39%和91.18%。对cforest模型贡献最大的指标包括代表结核特异性免疫反应的指标，如T-SPOT.TB试验ESAT-6和CFP-10斑点数，以及代表获得性免疫的一些指标，如CD4+T细胞IFN-γ分泌能力、CD8+T细胞IFN-γ分泌能力、CD4+T细胞数量。Cforest模型表现出来的优异性能在验证队列中得到进一步证实，区分ATB与LTBI的敏感度和特异度分别为92.80%和89.86%。

结  论

基于机器学习构建的cforest模型在区分不同结核感染状态时具有一定潜力。本研究也为结合机器学习和常规实验室数据在临床诊断中的应用提供了一种新思路。

注：除非特别声明，本公众号刊登的所有文章不代表《中国防痨杂志》期刊社观点。

供稿：汪    峰

编辑：孟    莉

审校：范永德

发布日期：2023-01-13