Development and internal validation of a CSF-free machine-learning model to distinguish immune checkpoint inhibitor-induced encephalitis from HSV-1 and anti-LGI1 encephalitis
本研究表明，排除脑脊液特征的机器学习模型能够有效地将免疫检查点抑制剂诱发的脑炎与单纯疱疹病毒1型（HSV-1）及抗LGI1脑炎区分开来，其准确率与包含脑脊液数据的模型相当，这提示了该模型在腰椎穿刺前分诊中的潜在应用价值，同时也强调了进行脑脊液检测以实现明确诊断的持续必要性。
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
当人体的免疫系统被激活以对抗癌症时，它有时会转而攻击大脑。这种罕见但严重的反应被称为免疫检查点抑制剂诱发性脑炎，会导致意识混乱、记忆丧失和癫痫发作。医生面临着一个艰难的谜题：这种情况看起来与另外两种脑部疾病非常相似。一种是由单纯疱疹病毒引起的危险病毒感染，另一种是身体攻击大脑中特定蛋白质的自身免疫性疾病。这三种疾病的治疗方法完全不同。病毒感染需要立即使用抗病毒药物，而自身免疫版本则需要能够平息免疫系统的药物。如果医生用免疫抑制药物来治疗病毒感染，患者可能会死亡；如果他们用抗病毒药物来治疗自身免疫性疾病，大脑炎症则会持续不受控制地发展。
为了区分这些情况，医生通常会进行腰椎穿刺，即通过在下背部插入一根针来收集脑脊液。随后会对该液体进行检测，以寻找感染或炎症的迹例。然而，这项测试具有侵入性，可能会带来疼痛，并且如果患者颅内压过高，有时无法立即进行。在实验室结果返回之前的这段时间内，医生只能靠猜测。来自东北医学和药科大学的研究人员开展的一项新研究提出了一个简单但至关重要的问题：计算机模型能否通过观察患者的症状、血液检查和脑部扫描，在无需等待脊髓液结果的情况下做出这种区分？
研究人员选取了一组已经诊断出这三种脑部疾病之一的 51 名患者。他们构建了一个被称为机器学习模型的计算机程序，以学习区分它们的模式。他们利用广泛的信息训练该程序，包括患者的年龄、是否发烧、是否出现意识混乱、脑部扫描显示了什么以及血液检查结果。他们创建了两个版本的程序。第一个版本可以获取所有数据，包括来自脊髓液测试的结果。第二个版本则被严格禁止查看脊髓液数据；它必须仅依靠在操作前可获得的信息，例如脑部扫描和血液检查。
目标是观察计算机是否能在没有脊髓液数据的情况下，同样出色地识别出免疫相关的脑部炎症。结果令人惊讶。当研究人员测试这两个程序时，他们发现不含脊髓液数据的那个版本表现得与含有数据的版本一样好。两个模型在测试中都达到了 0.9 的 AUC（曲线下面积）。计算机不需要侵入性的液体测试就能做出强有力的判断；它发现最重要的线索已经存在于脑部扫描和一项测量炎症的特定血液检查中。
在计算机的决策过程中，最强大的线索是脑部扫描是否显示出典型的脑炎模式。第二重要的线索是血液中一种被称为 C 反应蛋白的蛋白质水平。患有免疫相关疾病的患者往往具有较高的这种蛋白质水平。计算机还注意到，癫痫发作是指向其他情况（特别是自身免疫类型）的一个强烈迹象，而免疫相关疾病通常不伴随癫痫。当研究人员要求计算机充当一个严格的守门人——即只有在几乎 100% 确定时才标记患者患有免疫相关疾病时，它成功识别了大约 60% 的真实病例，且极少出错。
然而，研究人员谨慎地表示，不要将此称为脊髓液测试的替代品。该计算机模型是基于一小组患者构建的，其预测单个患者风险的能力尚未达到完美校准。这项研究表明，该工具可以帮助医生在等待实验室结果时决定哪些患者需要紧急关注，但它本身还不能排除病毒感染。仅仅依靠计算机的猜测来错过病毒感染是过于危险的。研究结论认为，虽然这种“无需脊髓液”的方法是分诊患者并加速护理的一种有前景的方式，但最终的诊断仍需要传统的、侵入性的测试来确认病毒的存在与否。计算机提供了一个有用的“第二意见”，但它目前还不能拥有最终决定权。
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。