全国范围内的纵向评估：采用机器学习方法提高对低细菌负荷结核病样本中Xpert MTB/RIF超利福平耐药性检测结果的解读能力

《Journal of Infection and Public Health》：Nationwide Longitudinal Evaluation of a Machine Learning Approach for Enhanced Interpretation of Xpert MTB/RIF Ultra Rifampicin-Resistance Results in Low Bacterial Load Tuberculosis Specimens

针对Xpert MTB/RIF Ultra检测中低细菌载量样本RIF耐药性假阳性率高的问题，本研究开发并验证了基于LGBM模型的AI临床决策支持系统，通过分析rpoB基因的Tm值和荧光强度等分子特征，显著提升诊断准确性（AUC=0.99），缩短诊断时间，优化抗结核药物资源分配。

　　本研究聚焦于如何提高结核病（TB）中利福平（RIF）耐药性检测的准确性，尤其是在细菌载量较低的样本中。结核病是一种由结核分枝杆菌（MTB）引起的传染病，主要通过空气传播，对全球公共卫生构成了重大威胁。世界卫生组织（WHO）已将其列为单一病原体导致死亡的主要原因之一。据估计，全球约有25%的人口感染了结核分枝杆菌，2023年约有1080万人新发结核病，导致约125万人死亡，其中约16.1万人为艾滋病（HIV）共感染患者。随着多药耐药结核病（MDR-TB）的增加，这一问题变得更加复杂，尤其是在缺乏适当治疗资源的地区，可能对患者的健康造成严重影响。

当前，WHO推荐使用Xpert MTB/RIF Ultra检测作为快速诊断工具，以实现结核病的早期发现和治疗启动。这种检测方法不仅能够快速识别MTB，还能同时检测RIF耐药性。然而，该方法在细菌载量较低的样本中存在较高的假阳性率，尤其是在HIV共感染患者中更为显著。假阳性结果可能导致不必要的多药耐药结核病治疗，增加患者对二线药物的暴露风险，从而带来一系列毒副作用，如肝毒性、耳毒性、神经毒性等。此外，假阳性结果可能延误合适的治疗，增加医疗和社会经济负担。

为了解决这一问题，研究团队开发并验证了一种基于人工智能的临床决策支持系统（AI-CDSS）。该系统利用了先进的机器学习算法，特别是轻量级梯度提升机（LGBM），对Xpert MTB/RIF Ultra检测结果进行分析，以区分真正的RIF耐药性与假阳性结果。在2021年1月至2025年3月期间，台湾的国家结核病参考实验室共收到了10,353份呼吸道样本，其中2,443份被确认为MTB阳性。通过对这些样本进行Xpert MTB/RIF Ultra检测，并结合GenoType MTBDRplus检测进行确认，研究团队获得了大量的分子特征数据，包括循环阈值（Ct）值、熔解温度（Tm）以及rpoB探针的荧光强度。

在模型开发过程中，研究团队采用了三种机器学习算法：随机森林分类器（RFC）、梯度提升分类器（GBC）和LGBM。通过对这些算法的训练和验证，发现LGBM在检测RIF耐药性方面表现最为出色，其AUC值达到0.99，敏感度为0.97，特异度为0.99，F1分数为0.98。这些指标表明，LGBM在区分真耐药和假阳性结果方面具有很高的准确性。此外，研究还发现，rpoB3区域的Tm和荧光强度是最重要的预测特征，特别是在低细菌载量样本中，这些参数对于提高检测准确性起到了关键作用。

AI-CDSS的部署进一步优化了诊断流程，提高了临床决策的效率和准确性。该系统通过Web界面上传经过脱敏处理的Xpert MTB/RIF Ultra检测报告，自动提取关键的分子特征，并在短时间内生成RIF耐药性的预测结果。与传统的依赖于确认性检测的方法相比，AI-CDSS将诊断周转时间缩短了大约一天，从而加快了治疗的启动。这一改进不仅有助于提高诊断的效率，还能够减少不必要的二线药物使用，降低患者的毒副作用风险。

在实际应用中，AI-CDSS的实施显著提升了诊断的可靠性。研究团队在实际操作中发现，假阳性结果主要集中在rpoB1区域，其次为rpoB3和rpoB4区域。尽管已有文献指出在rpoB3和rpoB4区域边界处存在解读困难，但本研究发现，rpoB1区域的相对少见突变也可能导致异常结果。这一发现提示我们，需要对不同rpoB基因区域的突变进行更全面的分析，以确保检测结果的准确性。通过结合更精确的解释算法和广泛的验证数据集，AI-CDSS能够有效识别罕见或临界突变，从而保持快速RIF耐药性检测方法的诊断完整性。

AI-CDSS的引入为结核病的临床管理提供了新的可能性。该系统不仅能够提高检测的准确性，还能在资源有限或无法现场进行确认性检测的环境中发挥重要作用。通过减少对中央实验室的依赖，AI-CDSS可以显著缩短诊断时间，促进更早的治疗启动。此外，它还可以优化有限的多药耐药结核病治疗资源的使用，减少不必要的药物消耗，从而为患者提供更有效的治疗方案。

尽管本研究取得了一定的成果，但也存在一些局限性。首先，虽然样本来自全国范围，但所有分析均在一个实验室进行，可能限制了结果在不同临床环境中的普遍适用性。其次，研究中使用MTBDRplus作为参考标准，而不是基于培养的表型药物敏感性检测（DST），这可能引入一定的分类误差，尤其是在涉及罕见或存在争议的rpoB突变时。因此，未来的研究需要进一步结合表型DST作为参考标准，以增强模型的稳健性和临床适用性。此外，由于模型是基于单一国家的数据集进行训练和验证，可能存在一定的过拟合风险，无法充分反映全球结核病菌株的多样性以及不同实验室条件和患者群体的差异。

总体而言，本研究的成果表明，AI-CDSS在提高RIF耐药性检测的准确性方面具有巨大潜力。通过整合Tm和荧光强度等关键分子特征，该系统能够有效区分真耐药和假阳性结果，为临床决策提供可靠支持。随着结核病流行病学的变化，定期更新AI-CDSS的数据集对于保持其诊断准确性至关重要。未来，通过多中心研究和进一步的模型优化，AI-CDSS有望在全球范围内发挥更大的作用，推动结核病的精准诊断和有效治疗。