基于机器学习算法的诊断模型对结核性胸腔积液的应用价值.pdfVIP

中国防痨杂志2025年8月第47卷第8期ChinJAntituberc,August2025,Vol.47,No.8.1053.

·论著·

基于机器学习算法的诊断模型对结核性

胸腔积液的应用价值

孙长峰2.3吴

焦家欢12子吴刚？黄富礼盛云建

【摘要】目的：探索基于人工智能机器学习算法（machinelearningalgorithm，MLA)构建的诊断模型在结核

性胸腔积液（tuberculouspleuraleffusion，TPE)诊断中的价值。方法：采用回顾性研究方法，参照人组标准纳入

2020年1月至2022年9月四川省乐山市人民医院收治的233例胸腔积液患者作为内部实验组，按是否诊断为

TPE,将患者分为结核组(106例)和非结核组(127例)。运用R4.1.1软件进行数据整理和统计分析，利用LASSO

回归筛选变量，并依此分别构建随机森林（RF）、支持向量机-线性核（SVM-linear）、支持向量机-多项式核（SVM-

polynomial)、多因素logistic回归等4种MLA开发诊断模型。通过受试者工作曲线下面积（AUC)评估不同模型的

诊断性能,并与胸腔积液腺苷脱氨酶（ADA)的诊断效能进行比较。另纳人同期西南医科大学附属医院的141例胸

腔积液患者(结核组101例，非结核组40例)进行外部验证。结果：LASSO回归分析显示，胸腔积液总蛋白、ADA、

单核细胞占比,以及血清中性粒细胞占比、血小板计数、发热及盗汗均是发生TPE的危险因素（惩罚系数分别为

0.216、0.058、0.003、0.049、0.000、0.045、1.605），而胸腔积液癌胚抗原（CEA）、多核细胞占比，以及外周血白细胞

计数均与TPE出现概率更低相关（惩罚系数分别为一0.072、一0.029、一0.567）。构建的RF、SVM-linear、SVM-

polynomial和多因素logistic回归分析等4种MLA开发的诊断模型对TPE的诊断敏感度分别为91.8%、84.5%、

86.9%、85.4%；特异度分别为99.0%、81.6%、93.8%、81.6%；AUC值分别为0.988、0.875、0.959和0.886，均高

于胸腔积液ADA(分别为83.1%、77.9%、0.820）。在外部验证中，RF、SVM-linear、SVM-polynomial和多因素lo-

gistic回归模型的AUC值分别为0.834、0.827、0817和0.815。结论：基于RF算法构建的TPE诊断模型具有最

优质的诊断性能，可以更加简单、快速、有效地识别TPE。

【关键词】结核，胸膜；胸腔积液；诊断，计算机辅助；模型,统计学；算法；人工智能

doi:10.19982/j.issn.1000-6621

【中图分类号】R52

Thevalueofmachinelearningalgorithm-baseddiagnosticmodelsintuberculouspleuraleffusionJiaoJiahuanl-2,

SunChangfeng3,WuGang,HuangFulie,ShengYunjan.DepartmentofInfetiousDiseases,ThePeoples

HospitalofLeshan,Leshan614000,China;2DepartmentofInfectiousDiseases,TheAffiliatedHospitalofSouthwest

MedicalUniversity,Luzhou646000,China;InfectionandImmunityLaboratory,TheAffiliated