Artificial Intelligence and Machine Learning Applications in Antimicrobial Resistance Research: A Systematic Review
这项针对 2019 年至 2026 年间发表的 57 项研究进行的系统综述发现，尽管人工智能和机器学习模型（特别是使用 MALDI-TOF 或基因组数据的树状集成模型）在预测抗生素耐药性方面表现出极高的准确性，但由于普遍存在的如回顾性设计和缺乏外部验证等方法学局限性，其目前的临床转化仍受到阻碍。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一个微小且隐形的细菌军队正在学习穿上隐形盔甲的世界。这就是抗生素耐药性（AMR）的故事，一场全球性的健康危机——在这里，常见的病菌不再听从那些旨在杀死它们的药物的指挥。每年，这场无声的战斗夺走了超过一百万人的生命，如果不对策略进行改变，到2050年，这个数字可能会飙升至一千万。问题在于一场与时间的赛跑：医生通常需要等待两到三天，让实验室培养出细菌样本并测试哪些药物有效。在等待的过程中，患者往往接受的是广谱抗生素治疗，而这些药物甚至可能无法击中目标，从而在无意中帮助“超级细菌”变得更加强大。
人工智能（AI）和机器学习（ML）应运而生。把它们想象成超级聪明的侦探，能够发现人类肉眼会忽略的海量数据中的模式。这些侦探可以观察细菌的“指纹”（其遗传密码或化学特征），并在几分钟内推测它是否正穿着针对特定药物的盔甲。大问题是：这些数字侦探准备好在真实的医院里拯救生命了吗，还是仅仅在教室里玩弄一些玩具数据？
这篇名为《人工智能与机器学习在抗生素耐药性研究中的应用》的系统综述，就像是整个领域的巨型质量检查员。作者 Dripto Roy 不仅仅只看了一项研究；他们搜寻并审查了 2019 年至 2026 年间发表的 57 篇不同的研究论文。他们想看看这些 AI 模型是否真的能预测人类患者的药物耐药性，更重要的是，研究人员在构建模型时是否做好了功课。
综述发现，这些 AI 侦探在教室里表现得极其出色。表现最好的模型使用的是“基于树”的算法（将其想象成决策流程图，通过一系列是或否的问题进行判断），它们展示出了惊人的技能。当输入来自 MALDI-TOF 质谱分析（一种读取细菌化学“指纹”的机器）或全基因组测序（读取细菌完整说明书）的数据时，这些模型可以以极高的准确度预测耐药性，得分在 0.85 到 0.99 之间（其中 1.0 为完美）。它们在识别像 MRSA 和耐碳青霉素类肺炎克雷伯菌这样危险的菌株方面表现尤为出色。
然而，该综述给出了一个残酷的现实检查：这些侦探目前还无法胜任真实世界。作者使用了一个名为 PROBAST 的严格质量检查表对研究进行评分，结果令人清醒。所有 57 项研究都被评为具有“高偏倚风险”。为什么呢？因为几乎所有的研究都是在回顾过去（回顾性研究）——即查看来自单一地点的旧医院记录，而不是在来自不同医院的新鲜数据上测试这些模型。这就像一个学生通过背诵去年考试的答案来准备数学考试；他们可能拿到满分，但实际上并没有学会如何解决新问题。
文中明确指出，虽然这些模型展示了“强大的诊断潜力”，但普遍存在的局限性——例如回顾性设计、约 65% 的研究缺乏外部验证，以及对缺失数据报告不佳——目前“阻碍了立即进行的临床转化”。这并不是对这项技术的全面禁止，而是一个警告：在没有进一步工作之前，我们不能现在就开始在诊所中使用这些工具。当这些模型在来自不同城市或医院的数据上进行测试时，它们的性能往往会显示出“退化”或“减弱”，这表明它们对特定的训练数据进行了“过拟ity（过拟合）”。此外，大约三分之二的研究甚至没有尝试在外部数据上测试它们的模型，而且很少有研究解释 AI 是如何做出决策的（只有约 9% 的研究使用了像 SHAP 值这样的特定解释工具）。如果不知道 AI 为什么认为某种细菌具有耐药性，医生就无法足够信任它并据此改变患者的治疗方案。
那么，结论是什么？这项技术前景广阔，潜力巨大，但目前的研究更多是“概念验证”而非成品。论文建议，在这些 AI 工具能够被信任用于指导生死攸关的决策之前，研究人员需要开展新的、前瞻性的多中心医院研究，完善其数据处理方式，并确保 AI 能够解释其推理过程。在此之前，这些数字侦探虽然是优秀的学子，但仍需毕业后才能加入医疗团队。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。