✦
深度学习辣汤小组文献阅读学习之一百五十六篇
✦
基于机器学习构建系统性红斑狼疮辅助诊断系统：SIE风险概率指数(SLERPI)
DeepLearning 深度学习辣汤小组
2024/2/10
2021年，来自希腊克里特岛伊拉克利翁克里特岛大学医学院的Christina Adamichou等人依据传统疾病特性开发并验证了一种精准且便捷的机器学习算法，用于早期系统性红斑狼疮（SLE, systemic lupus erythematosus）的诊断，以改善患者的预后。并在Ann Rheum Dis期刊（IF：28.0 医学1区 TOP）上发表题为“Lupus or not? SLE Risk Probability Index (SLERPI): a simple, clinician-friendly machine learning-based model to assist the diagnosis of systemic lupus erythematosus”的文章。
DOI：
https://doi.org/10.1136/annrheumdis-2020-219069
一、研究背景
系统性红斑狼疮（SLE, systemic lupus erythematosus）是一种自身免疫系统疾病，由于其复杂而难以诊断导致诊断延迟，使得患者面临更大的不确定性、转诊压力及医疗成本的提升。SLE的诊断需要医生敏锐的洞察力，该疾病往往是由某些“高特异性”特征或多个相对模糊的发现所引发。然而，SLE的临床表现可能与其他风湿性疾病有重叠之处，这使得其诊断非常困难。因此，研发一种简便且易用的辅助诊断工具对于提高SLE的早期判别及治疗效果至关重要。
本研究旨在开发一种基于机器学习的简单且易于使用的模型，以辅助SLE的诊断。
二、数据集
本研究使用的数据来自赫拉克利翁大学医院和雅典“Attikon”大学医院的风湿病诊所。两个中心都建立了SLE登记系统，并使用统一的结构化表格来收集临床特征(包括分类标准)、治疗使用和疾病结果。我们纳入了2005年1月至2019年6月期间由临床经验≥5年的风湿病顾问医师诊断为SLE或与狼疮鉴别诊断相关的其他对照风湿病的患者。随机选择401例SLE患者和401例对照，构建、训练和比较ML模型，以9：1的比例划分训练集和测试集。SLE和对照组的平衡(1:1)比例有助于最小化任何预测建模偏差。一个由连续登记的512例SLE患者和143例对照患者组成的外部验证队列被用来对最佳模型的诊断准确性进行无偏估计。
三、方法
如图1所示研究采用了两种机器学习算法，随机森林和LASSO-LR，对包括分类标准和其他临床特征在内的数据进行训练和构建模型。研究使用了一个发现队列，其中包括802名临床诊断为SLE或其他控制性疾病的患者。通过10倍交叉验证的方法，评估了40个多变量模型的预测能力，使用灵敏度、特异性、准确性和受试者工作特征曲线下面积（AUC-ROC）作为评价指标，并选择了准确性最高的模型进行验证。
四、结果与总结
如表1所示，在发现队列的10倍交叉验证试验中，最佳模型是包含14个临床参数的LASSO-LR模型（以下简称“SLERPI”：SLE风险概率指数）。模型参数包括所有三组分类标准的特征和作为单一非标准特征的ILD。自身免疫性血小板减少症或溶血性贫血、恶性或黄斑丘疹、低C3和C4、蛋白尿、ANA和ACR 1997免疫紊乱与SLE的正相关性最强(图2A)。通过在512名临床诊断的SLE患者和143名疾病对照者的验证队列上来验证我们的模型，模型的AUC为0.981，具有出色的区分真阳性(SLE)和假阳性(对照)病例的能力(图2B)。
本研究还使用发现队列对模型进行无偏估计，如图3A所示，在50%的风险概率阈值下，SLERPI在整个验证队列中显示出高灵敏度(95.1%)、特异性(93.7%)和准确性(94.8%)。本研究进一步确定了模型在与临床相关的疾病亚群中的判别能力，如早期SLE、狼疮肾炎、神经精神性SLE和需要有效免疫抑制或生物治疗的严重疾病。该模型在上述患者组中产生了非常高的正确预测率，如图3B所示。
此外，为了便于在日常实践中实现，本研究将模型转换为一个简单的评分系统(表2)。在验证队列中，评分系统产生的SLE概率与原始LR模型产生的风险概率高度相关。当阈值>7(满分为30.5)时，估计灵敏度、特异性和准确性分别为94.2%、94.4%和94.2%，与原始模型的性能相当。
综上所述，本研究基于常见的临床和血清学特征，开发并评估了一种新的、简单的、可解释的SLE检测模型。模型提供了与临床终点相关的风险预测，并支持潜在临床相关性的患者概率疾病分类。在进一步确认其性能之前，SLERPI可以帮助SLE的早期诊断和治疗，包括早期和严重的SLE，以改善患者的预后。
图1：开发基于机器学习的SLE诊断模型的方法概述
表1：基于机器学习的分类标准模型与附加的非冗余标准和非标准特征相结合
图2：LASSO- LR模型对SLE的筛选能力及对各种风湿病的区分度表现出较高的水平
图3：新的诊断模型对SLE具有较高的准确性，包括需要免疫抑制或生物治疗的早期及严重疾病
表2：SLE风险概率指数的简化计分系统版
Pepper soup transformed by: Jin Daipeng
//
深度学习辣汤AI小组由徐州医科大学以及徐州医科大学附属医院一群热爱人工智能的小伙伴们组成，欢迎大家跟我们交流学习!
扫码关注我们
欢迎加入我们！
成员微信号：cy2011mcu
添加好友时请备注：
您的 单位-科室-姓名-研究方向
