内容精选
Content Selection
中国佳稿
Articles from China
BMJ Health & Care Informatics | 可解释性机器学习揭示用于区分MTB和NTM的关键实验室指标
- 分享：
主要发现
BMJ Health & Care Informatics期刊近日发表的一项研究利用机器学习技术实现了对结核分枝杆菌（MTB）与非结核分枝杆菌（NTM）感染的快速鉴别。该研究基于来自中国两家医院的临床实验室数据，构建并比较了六种机器学习模型，最终发现随机森林模型在区分MTB与NTM方面表现最佳。研究进一步结合SHAP可解释性分析，揭示了Cl、Na、性别及白蛋白等关键指标在模型判别中的重要作用。该成果为资源有限地区的结核病辅助诊断提供了新的技术路径与临床决策支持视角。
原文献信息：
Rapid discrimination of Mycobacterium tuberculosis and non-tuberculous mycobacteria disease via interpretive machine learning analysis of routine laboratory tests.
Tang J, Xiong X, Huang T et al.
BMJ Health & Care Informatics. 2025;32:e101575.
研究方法
主要技术路径包括：
1. 性能验证和特征选择：在内部验证集中使用不同评价指标、ROC曲线、校准曲线和DCA分析来选择最佳诊断模型；通过计算不同特征相关系数，对特征进行筛选以消除特征共线性。
图1 内部验证队列中机器学习性能测试
图2 外部队列测试和可解释性分析
3. 在线诊断平台开发：基于SHAP筛选的10个关键特征构建RF模型并开发在线工具，用户可直接预测MTB或NTM感染的概率。
图3 基于核心指标的在线预测平台
• 模型在外部独立样本的准确率达到87.69%，进一步支持了该模型的可靠性及其广泛适用性。
• 结合SHAP解释性分析研究不仅确定了区分MTB与NTM的十大关键特征，其中，Cl与Na是贡献最高的特征，其SHAP依赖图显示，当Cl低于约104mmol/L或Na低于约136mmol/L时，模型显著倾向于判定为NTM感染。除电解质外，白蛋白、前白蛋白、高密度脂蛋白及降钙素原等指标的SHAP分布同样展示出明确的阈值趋势，反映出营养状态、炎症反应和感染背景在模型判决中的综合作用。
• 研究将模型部署为在线平台，用户仅需输入10项常规指标即可获得MTB或NTM的预测结果，实现快速、无创的辅助决策。该工具降低了对培养和分子检测的依赖，具备在基层与资源受限地区推广的可行性，也为后续扩展至更多分枝杆菌亚型鉴别提供了基础。
总结
研究结果证实基于常规实验室参数的机器学习诊断模型有望成为推动结核分枝杆菌和非结核分枝杆菌诊断方法发展的辅助工具。该模型为MTB和NTM的诊断和管理提供了一种更便捷、更经济的临床应用，尤其是在资源有限的地区。
研究结果证实基于常规实验室参数的机器学习诊断模型有望成为推动结核分枝杆菌和非结核分枝杆菌诊断方法发展的辅助工具。该模型为MTB和NTM的诊断和管理提供了一种更便捷、更经济的临床应用，尤其是在资源有限的地区。
广东省人民医院王亮、徐州医科大学刘莘和淮安市第四人民医院蒋坤为论文共同通讯作者。西澳大学马歇尔中心唐佳伟、淮安市第五人民医院熊雪松和黄婷婷为论文共同第一作者。
关于 BMJ Health & Informatics
BMJ Health & Care Informatics是一本国际性的同行评议期刊，发表高质量的研究与评估文章、综述、研究方案、快报、评论和通讯文章。期刊重点关注信息学如何支持医疗护理服务的直接提供，公共健康战略与干预，以及学习型卫生系统的实施和国家政策问题。
收稿率：23%
出版频率：连续出版
出版速度：
投稿至初步决定：93天（中位时间；含外审）
接收至发表：21天（中位时间）
2024年影响因子：4.4
京公网安备 11010502034496号