📄 医学

Early prediction of refractory Mycoplasma pneumoniae pneumonia in children: development and internal validation of a combined CT radiomics–clinical machine learning model

本研究开发并内部验证了一个整合了CT影像组学与临床指标（LDH、体温峰值和ALT）的组合机器学习模型，该模型在预测儿童难治性肺炎支原体肺炎方面的表现显著优于仅基于临床指标的模型，其AUC达到0.869，尽管在测试队列中校准度欠佳，需要在临床应用前进行外部验证。

原作者： Xiaoqiang Huang, Qiang Wang, Tianfeng Chen, Yan Yang, Risheng Huang

发布于 2026-10-05

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Xiaoqiang Huang, Qiang Wang, Tianfeng Chen, Yan Yang, Risheng Huang

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

在儿童呼吸道疾病的世界中，有一种病原体脱颖而出，成为一种持久且往往棘手的对手：肺炎支原体（Mycoplasma pneumoniae）。它是儿童肺炎的主要诱因，尤其是对于六岁以上的儿童。虽然使用抗生素的标准治疗通常可以清除感染，但仍有相当一部分儿童的反应并不符合预期。他们不仅没有康复，反而发展成一种顽固且不断恶化的疾病形式，即难治性肺炎。这种情况会长期拖延，往往导致永久性肺损伤或危险的血栓等严重并发症。目前的医疗指南较为谨慎；医生通常会在持续发热和肺部影像恶化至少一周后，才会正式将病例判定为“难治性”。然而到那时，进行早期救命干预的窗口期可能已经关闭。医生的挑战在于，如何在诊断正式做出之前的几天内，识别出哪些孩子正走向这条艰难的道路，从而允许他们更早地升级治疗方案并防止长期伤害。

中国泉州医院的一组研究人员致力于解决这个时间差问题，他们开发了一种新型预测工具。他们收集了2022年至2024年间被诊断为支原体肺炎的527名儿童的数据。对于每一名儿童，研究团队收集了两类在住院初期即可获取的信息：标准的血液检测结果和体温记录，以及通过CT扫描仪拍摄的详细肺部图像。其目标是观察结合这两类信息是否能识别出那些随后会发展为重症难治性肺炎的儿童，并将他们与那些通过标准护理即可康复的儿童区分开来。

研究人员并未仅仅将肺部图像视为供观察的图片，而是将其视为蕴含大量隐藏数据的宝库。虽然医生可以看到如液体或肺部致密斑块等明显征象，但肉眼无法察觉组织纹理和阴影中的细微变化。团队利用计算机软件从CT扫描中提取了数千种这些微小的、肉眼不可见的模式，这一过程被称为影像组学（radiomics）。随后，他们将这些数据与发热高度和特定血液酶水平等临床数值一起，输入到一个机器学习系统中。该系统就像一个经过高度训练的模式识别引擎，通过测试各种数学方法，寻找区分两类儿童最可靠的方式。

结果显示，这款新工具在进行此类早期预测方面的表现，显著优于仅依赖标准血检和症状的做法。该模型将隐藏的图像模式与临床数据相结合，在区分能够康复的儿童与面临困境的儿童方面达到了极高的准确度。它的表现明显优于仅基于血检和发热史的模型，后者往往无法足够早地捕捉到高风险病例。这种组合工具能够以极高的成功率识别出处于风险中的儿童，这表明它可能成为辅助医生的强大工具，在疾病变得难以控制之前提供明确的信号，以便及时干预。

然而，研究人员谨慎地指出，该工具尚未准备好在每家医院立即投入使用。虽然它在测试数据上表现良好，但在尝试预测新患者的结果时显示出了一些缺陷，这表明它可能需要进一步的微调。研究还强调，目前的方法需要放射科医生手动勾画扫描图像中的肺部病灶，这是一个耗时的步骤，若要在大规模应用中具有实用性，则必须实现自动化。此外，由于这项研究是在单一地点进行的，该模型需要在其他医院及使用不同设备的情况下进行测试，以确保无论孩子们居住在哪里，该模型都能对所有儿童有效。

这项研究最终证实，患有重症支原体肺炎儿童的肺部蕴含着肉眼无法察觉、但先进计算机却能检测到的细微线索。通过将这些数字线索与发热和血检等简单的临床事实相结合，医生可能很快就会拥有一种能够以更高清晰度洞察疾病未来进程的方法。这种方法并非取代医生的判断，而是提供了一个更敏锐的视角来观察疾病的早期阶段，从而可能实现更早、更具针对性的治疗，使孩子们免受这种顽固感染带来的最严重后果。

技术摘要：儿童难治性肺炎支原体肺炎（RMPP）的早期预测

问题陈述
难治性肺炎支原体肺炎（RMPP）是儿科社区获得性肺炎的一种严重并发症，其特征是在标准化大环内酯类药物治疗下，仍表现为持续发热以及临床或影像学症状的进行性恶化。根据 2023 年循证指南，目前的诊断标准要求至少有 7 天的治疗失败才能确诊 RMPP，这往往导致干预措施在发生显著肺损伤后才得以实施。虽然临床和实验室指标（如 CRP、LDH、发热持续时间）已被确定为风险因素，但现有的预测模型过度依赖于基于阈值的参数，且往往无法捕捉肺部病灶的细微异质性。此外，传统的 CT 影像征象多为定性描述，在区分难治性和非难治性病例方面的判别能力有限。因此，迫切需要一种能够将定量影像数据与临床指标相结合，并在 7 天诊断窗口期结束前进行风险分层的早期、可解释工具。

研究方法
本项单中心回顾性研究纳入了 2022 年 1 月至 2024 年 12 月期间在泉州妇女儿童医院就诊的 527 例肺炎支原体肺炎（MPP）患儿。该队列按 7:3 的比例被随机分为训练集（ $n=368$ ）和内部测试集（ $n=159$ ）。

数据收集：
- 临床变量： 年龄、性别、发热持续时间、最高体温以及实验室指标（WBC、中性粒细胞/淋巴细胞百分比、CRP、PCT、LDH、ALT、AST、D-二聚体）。针对 PCT 和 D-二聚体的缺失值，采用了多重插补链式方程法（MICE）进行处理。
- 影像学： 在入院 48 小时内进行非增强胸部 CT 扫描。由两名经验丰富的放射科医师使用 ITK-SNAP 对病灶进行手动分割。
影像组学流程：
- 特征提取： 从原始图像及变换图像（对数、平方、小波变换等）中提取了 1,834 个影像组学特征（包括形状、一阶特征以及包括 GLCM、GLRLM、GLSZM、GLDM、NGTDM 在内的纹理特征）。
- 特征选择： 特征经过稳定性筛选（ICC $\ge$ 0.85）、通过 Mann–Whitney U 检验进行筛选（ $P < 0.05$ ），并利用 Spearman 相关系数（ $> 0.9$ ）减少冗余。最后，采用最小绝对收缩和选择算子（LASSO）逻辑回归进行最优子集选择，生成影像组学评分（Rad-score）。
模型构建：
- 临床模型： 使用多元逻辑回归，通过对单变量分析中 $P < 0.1$ 的变量进行向后逐步回归构建。
- 影像组学模型： 对七种机器学习分类器（逻辑回归、SVM、KNN、随机森林、ExtraTrees、XGBoost、LightGBM）进行了比较。基于交叉验证的稳定性，最终选择逻辑回归（LR）作为最终的影像组学模型。
- 组合模型： 通过逻辑回归将临床预测与 Rad-score 进行整合，并以列线图（Nomogram）的形式进行可视化。
评估： 通过受试者工作特征曲线下面积（AUC）、校准曲线、Hosmer–Lemeshow 检验以及决策曲线分析（DCA）来评估性能。

主要结果

特征选择： 从最初的 1,834 个特征中保留了 25 个稳定且具有判别力的影像组学特征用于计算 Rad-score。最终的临床模型包含三个独立预测因子：乳酸脱氢酶（LDH）、最高体温和丙氨酸氨基转移酶（ALT）。
模型性能：
- 组合模型： 在训练队列中的 AUC 为 0.876（95% CI: 0.839–0.913），在内部测试队列中的 AUC 为 0.869（95% CI: 0.815–0.923）。
- 对比分析： 组合模型的表现显著优于单纯的临床模型（测试集 AUC 为 0.638； $P = 1.59 \times 10^{-6}$ ）。在测试队列中，组合模型的 AUC 高于单纯的影像组学模型（0.851），但差异未达到统计学显著性（ $P = 0.060$ ）。
- 校准度： Hosmer–Lemeshow 检验显示训练队列具有良好的校准度（ $P = 0.249$ ），但组合模型在测试队列中的校准度欠佳（ $P = 0.032$ ），提示在独立样本中可能存在失准现象。
临床实用性： 决策曲线分析（DCA）表明，在广泛的阈值概率范围内，组合模型相比于“全部治疗”、“均不治疗”以及“仅临床指标”策略，提供了更高的净获益。

主要贡献

多模态整合： 本研究成功开发了一种结合机器学习的组合模型，将 CT 影像组学特征与早期临床指标相融合，并通过列线图实现了可视化与可解释性。
卓越的判别力： 组合模型在预测 RMPP 进展方面展现出比单纯依赖临床数据模型更强的判别能力，解决了定性影像学和基于阈值的实验室指标存在的局限性。
可解释性： 不同于“黑箱”式的深度学习方法，本研究采用了手动分割、可解释特征提取和多分类器比较的工作流，使得模型在临床应用中更易于复现和理解。
关键预测因子的识别： 研究证实了 LDH、最高体温和 ALT 的预测价值，同时强调了在本研究队列中，常规 CT 征象（如实变、胸腔积液）在 RMPP 组与非难治组之间并无显著差异，从而进一步凸显了定量影像组学的必要性。

意义与声明
作者声称，该组合模型提供了一个极具前景的早期风险分层工具，有助于临床医生在入院时（即在 7 天诊断阈值之前）识别高风险患儿，以便及时升级治疗方案（如使用皮质类固醇、支气管镜干预等）。然而，论文在临床部署方面保持了谨慎的态度。作者明确指出，由于本研究具有单中心性质、测试队列中校准度欠佳以及需要手动分割等局限性，该模型在临床应用前需要经过外部验证和重新校准。研究结论认为，虽然该模型显示出良好的判别力，但仍需开展前瞻性多中心研究以确认其普适性和临床应用价值。

技术摘要：儿童难治性肺炎支原体肺炎（RMPP）的早期预测

类似论文