基于常规实验室检验的多准则特征集成框架：提升干燥综合征诊断准确性的AI新策略

《npj Digital Medicine》：A multi-criterion feature integration framework for accurate diagnosis of Sj?gren’s disease using routine laboratory tests

本研究针对干燥综合征(SjD)诊断延迟和缺乏敏感生物标志物的临床难题，开发了一种基于常规实验室检验的人工智能诊断模型SMFIF。研究人员通过多中心回顾性研究分析34,958例患者数据，筛选出16个关键特征构建集成学习模型，在测试集、内部验证集和外部验证集的AUC分别达到0.929、0.934和0.964，显著优于传统生物标志物(抗-SSA/Ro、ANA等)。该模型为基层医疗机构提供了低成本、易获取的诊断工具，有望改善SjD的早期识别和患者预后。

　　

干燥综合征(Sj?gren's disease, SjD)作为常见的系统性自身免疫疾病，长期以来困扰着临床医生和患者。这种疾病不仅表现为典型的口干、眼干症状，更可能累及全身多个器官系统，从轻微的腺体功能障碍到严重的肺、肾、心血管并发症。更令人担忧的是，由于缺乏高度特异性的生物标志物，加上症状的非特异性，大量患者被误诊为类风湿关节炎、系统性红斑狼疮等其他风湿性疾病，诊断延迟成为常态。

当前SjD的诊断主要依赖临床专家评估，虽然存在ACR-EULAR分类标准，但这些标准主要用于研究而非个体诊断。抗-SSA/Ro抗体作为关键指标，其敏感性仅75%左右，意味着四分之一患者可能被漏诊。其他辅助检查如唇腺活检具有侵入性，唾液腺造影等检查成本较高，在基层医疗机构难以普及。这种诊断困境直接导致患者预后不佳，生活质量下降，恶性肿瘤风险增加。

在这一背景下，南京大学医学院附属南京鼓楼医院刘舒、吴观浩等研究人员开展了一项大规模多中心研究，旨在开发一种基于常规实验室检验的人工智能诊断模型——干燥综合征多准则特征集成框架(Sjogren Multi-criterion Feature Integration Framework, SMFIF)。该研究近期发表在《npj Digital Medicine》期刊，为SjD的早期诊断提供了新思路。

研究团队采用回顾性多中心设计，收集了2013年1月至2023年1月期间三家中国医院的34,958例患者数据。通过系统化的数据预处理、多算法特征选择和集成学习策略，构建了SMFIF模型。技术方法主要包括：使用随机森林填补缺失值，采用六种特征选择算法筛选关键变量，基于SHAP值进行特征重要性评估，通过 stacking集成学习整合七个机器学习分类器，并在内部和外部验证集进行性能评估。

基线特征与队列构成

研究人群涵盖南京鼓楼医院(NDT)队列17,558例(训练集)和7,526例(测试集)，内部验证集9,329例，外部验证集545例(来自苏州医院和淮安第一医院)。SjD患者中位年龄52-56岁，女性占比89.9%-94.7%，症状持续时间显著长于对照组(2.8-4.0年 vs 0.6-0.8年)。合并症分析显示SjD组肝病(7.5%-9.0% vs 3.0%-5.0%)、肾病(14.4%-17.0% vs 4.9%-8.0%)、肺部疾病(7.9%-13.0% vs 3.0%-5.0%)发生率均高于对照组。

特征选择策略与优化结果

通过六种特征选择算法和SHAP分析，最终确定16个核心特征：肌酐(Crea)、γ-谷氨酰转移酶(GGT)、尿酸(UA)、总蛋白(TP)、磷(P)、腺苷脱氨酶(ADA)、葡萄糖(Glu)、直接胆红素(DBIL)、氯离子(Cl-)、球蛋白(GLO)、碱性磷酸酶(ALP)、估算肾小球滤过率(eGFR)、高密度脂蛋白胆固醇(HDL-C)和补体4(C4)。

SMFIF模型性能与多中心验证结果

SMFIF在测试集、内部验证集和外部验证集的AUC分别为0.929(95%CI:0.923-0.935)、0.934(95%CI:0.929-0.939)和0.964(95%CI:0.943-0.986)，准确率分别为0.858、0.859和0.960。与传统生物标志物相比，SMFIF显著优于抗-SSA/Ro(AUC:0.705)、抗-SSB/La(AUC:0.575)、ANA(AUC:0.709)、RF(AUC:0.688)等指标。

校准曲线显示预测概率与实际结果高度一致，混淆矩阵证实模型在不同数据集中均保持高敏感性和特异性。特别值得关注的是，SMFIF能够有效区分SjD与类风湿关节炎(AUC=0.8336)、系统性红斑狼疮(AUC=0.8896)、系统性硬化症(AUC=0.8416)和骨关节炎(AUC=0.9149)，展现出良好的鉴别诊断能力。

本研究开发的SMFIF模型首次基于大规模临床常规检验数据构建SjD人工智能诊断工具，通过多准则特征集成框架实现了优异的诊断性能。该模型的创新性在于将传统免疫指标与肝肾功能、代谢参数等常规检验项目有机结合，既保持了诊断准确性，又大幅降低了检测成本。研究团队已将模型代码公开，便于临床推广和应用。

尽管研究存在回顾性设计、单一人种数据等局限性，但SMFIF为SjD的早期诊断提供了实用解决方案。特别是在基层医疗机构，该模型可帮助医生识别疑似SjD患者，减少诊断延迟。未来需要通过前瞻性研究和多国别验证，进一步确认模型的普适性，并探索整合临床症状、影像学特征等多模态数据的可能性，不断提升诊断精度。