综述：机器学习与深度学习技术在钩端螺旋体病预测和诊断中的应用：系统性文献回顾

这篇综述系统评估了机器学习（ML）和深度学习（DL）在钩端螺旋体病（Leptospirosis）预测与诊断中的应用，涵盖算法性能（如支持向量机SVM、U-Net CNN）、数据来源（65%依赖私有临床数据）及验证方法（交叉验证占65%），提出需加强公开数据集使用和迁移学习（transfer learning）以提升模型泛化能力。

　　

背景

钩端螺旋体病是由致病性钩端螺旋体（Leptospira
）引起的 zoonotic 疾病，在热带和亚热带地区尤为流行。传统诊断方法如显微镜凝集试验（MAT）和聚合酶链反应（PCR）存在操作复杂、灵敏度不足等问题，亟需人工智能技术辅助。

目标与方法

本综述基于PRISMA指南，筛选17项研究（2012-2024年），评估ML/DL模型在钩端螺旋体病中的应用。采用CHARMS和PROBAST工具分析算法性能、数据来源及验证方法，重点关注准确率（80%-98%）、AUC等指标。

主要发现

1. 算法偏好：

   • 预测任务：支持向量回归（SVR）和随机森林（RF）主导，如Galdino等开发的LeptoScore模型（准确率78.3%）。
   • 诊断任务：U-Net CNN表现最佳（Kulkarni等研究达98.02%准确率），而传统ML如决策树（J48）在临床分类中常用。

2. 数据局限：

   • 65%研究依赖私有医院数据（如巴西4675例患者血清肌酐记录），仅35%使用公开数据集（如泰国降雨量监测数据）。
   • 小样本问题突出（如Caicedo Torres等仅136例儿科数据），且缺失值处理不规范。

3. 技术短板：

   • 零迁移学习应用：所有模型均从头训练，未利用预训练模型（如ResNet）提升效率。
   • 验证缺陷：82%研究存在中等偏倚风险，仅11.8%采用时序验证，影响季节性疫情预测可靠性。

挑战与建议

• 数据整合：需建立跨地区标准化数据库，融合环境（如CHIRPS降雨数据）与临床特征（如ELISA光密度值）。
• 技术创新：推荐尝试XGBoost等集成方法，并探索DL模型（如Inception-v3）在显微镜图像识别中的迁移学习潜力。

结论

ML/DL在钩端螺旋体病领域展现出高准确性（U-Net达98%），但当前研究受限于数据碎片化和方法单一性。未来需推动多中心协作，开发兼顾^F₁

-score（86%）与临床可解释性的混合模型，以应对这一被忽视的热带病（NTD）挑战。