机器学习模型助力鉴别鸟分枝杆菌复合群肺病与肺结核：多中心研究成果的关键意义

在全球范围内，鸟分枝杆菌胞内复合群（Mycobacterium avium-intracellulare complex）肺病患者数量不断增加，且与肺结核鉴别困难。研究人员开展多中心回顾性研究，构建并验证机器学习模型。结果显示支持向量机（SVM）模型表现更优，有助于两者鉴别。

　　全球范围内，鸟分枝杆菌胞内复合群（Mycobacterium avium-intracellulare complex）肺病患者的数量正在增多。由于临床表现和特征相似，区分鸟分枝杆菌胞内复合群肺病与肺结核颇具难度。研究人员旨在利用临床数据和计算机断层扫描（CT）特征构建并验证一个机器学习模型，以实现两者的鉴别诊断。这项多中心回顾性研究纳入了自某时段至某时段确诊的 169 例鸟分枝杆菌胞内复合群肺病和肺结核患者。研究人员对数据进行分析，建立并验证了逻辑回归、随机森林和支持向量机（SVM）模型，通过受试者工作特征曲线和精确召回曲线评估模型性能。研究共分析了 84 例鸟分枝杆菌胞内复合群肺病患者和 85 例肺结核患者。发现鸟分枝杆菌胞内复合群肺病患者年龄更大，咯血率、空洞数量和形态、支气管扩张类型及分布存在差异。其中，支持向量机模型表现更优，训练集中曲线下面积为 0.960，验证集中为 0.885 。精确召回曲线表明支持向量机模型精度高但召回率低。基于支持向量机的机器学习模型整合了临床数据和 CT 成像特征，展现出卓越的诊断性能，能够辅助鉴别鸟分枝杆菌胞内复合群肺病与肺结核。