基于多模态放射组学与深度学习的HIV/AIDS合并耐多药结核病精准诊断模型构建及验证

为解决HIV/AIDS患者合并耐多药结核病(MDR-TB)诊断延迟和准确率低的问题，南宁市第四人民医院团队创新性整合临床指标、放射组学特征和深度学习特征，构建多模态融合模型。研究通过回顾性分析227例患者数据，发现血小板计数和C反应蛋白(CRP)为核心预测因子，联合模型在验证集AUC达0.899，显著优于单一模态模型。该成果为复杂感染病的智能诊断提供了新范式，发表于《Journal of Global Antimicrobial Resistance》。

　　

在全球公共卫生领域，HIV/AIDS与结核病(TB)的共感染犹如"死亡二重奏"。据世界卫生组织2023年报告，HIV阳性TB患者占新发结核病例的6.3%，其中耐多药结核病(MDR-TB)更因耐药基因突变使得传统诊断方法束手无策——培养法药敏试验需6-8周，而患者在此期间可能接受无效治疗，加速耐药性传播。尤其棘手的是，HIV感染者免疫功能受损，其肺部CT表现常不典型，就像蒙着面纱的杀手，让常规放射组学模型难以捕捉特征。

南宁市第四人民医院的团队决心揭开这层面纱。他们创新性地将临床指标、CT影像的放射组学特征和深度学习特征进行三级融合，构建出"临床-放射组学-深度学习"多模态诊断模型。这项发表在《Journal of Global Antimicrobial Resistance》的研究，犹如为医生装配了智能显微镜，能透过纷繁复杂的临床表现，直击MDR-TB的生物学本质。

研究团队采用多学科交叉技术路线：从227例HIV/TB共感染患者（含63例MDR-TB）的回顾性队列中，通过LASSO回归从1834个放射组学特征中筛选关键指标；采用DenseNet121架构提取深度学习特征；创新性应用2.5D多实例学习(MIL)处理CT序列；通过梯度加权类激活映射(Grad-CAM)实现决策可视化；最终用列线图(nomogram)量化各预测因子贡献度。所有分析均在Python 3.7环境下完成，采用PyTorch框架进行深度学习建模。

【3.1 患者临床信息与临床模型构建】
通过单因素与多因素logistic回归分析，锁定血小板计数和CRP为关键预测因子。五种机器学习模型中，逻辑回归(LR)表现最佳（训练集AUC=0.836），揭示凝血-炎症轴异常是HIV-MDR-TB的生物学特征。

【3.2 图像特征提取与模型构建】
从CT影像提取的1834个手工特征经降维后保留19个核心特征。LightGBM模型在训练集表现惊艳（AUC=0.990），但验证集AUC骤降至0.702，暴露出传统放射组学"过拟合陷阱"。

【3.3 深度学习特征(DL2D)】
DenseNet121凭借跨层特征复用机制，在验证集保持稳定表现（AUC=0.780），其捕捉的微观纹理特征与MDR-TB的干酪样坏死病理改变高度相关。

【3.4 Grad-CAM可视化】
热力图显示模型重点关注肺实变区域与磨玻璃影交界处，这些区域可能对应耐药菌引发的特殊免疫浸润模式，为"黑箱"决策提供解剖学依据。

【3.5 多模态特征比较】
联合模型在验证集AUC达0.899，较单一模型提升14-30%，证明多模态融合产生"1+1>2"效应。就像老中医同时把脉、观舌、问诊，模型通过不同维度数据交叉验证大幅提升诊断信心。

【3.6 模型性能验证】
Hosmer-Lemeshow检验显示优异校准度（P>0.05），决策曲线分析(DCA)证实当阈值概率在0.1-0.7区间时，联合模型具有显著临床净获益。

这项研究的突破性在于：首次阐明HIV-MDR-TB患者血小板与CRP的"跷跷板效应"——既是免疫耗竭的标志物，又是耐药性的放大器。技术上，采用DenseNet121处理CT图像，能捕捉传统方法难以量化的"星系状"病灶分布特征。临床转化方面，配套开发的列线图工具，将复杂的AI预测转化为直观的评分系统，适合基层医院使用。

当然，研究也存在局限：手动勾画ROI耗时且存在主观差异，未来可采用3D nnUNet实现自动分割。但无论如何，这项研究为破解"艾滋遇上耐药结核"的诊疗困境提供了智能钥匙，其多模态融合策略更可推广至其他感染性疾病的精准诊断，标志着感染病学正式迈入"数字病理"新时代。