基于机器学习预测胸腺瘤患者重症肌无力发病风险及因果关联的多中心研究

来自国内多中心的研究团队通过机器学习模型预测胸腺瘤患者重症肌无力(MG)发病风险并探索其因果关联。研究整合CT三期的12个影像组学特征、11项临床参数及病理分型，构建SVM等6种预测模型（最优AUC达0.904），证实B2/B3亚型胸腺瘤使MG发病风险显著提升9.2%(ATE)，为临床主动干预提供新范式。

　　

这项突破性研究揭示了胸腺瘤与重症肌无力(myasthenia gravis, MG)之间隐藏的生物学对话。科研团队像侦探般从172例胸腺瘤患者的CT影像中提取蛛丝马迹——通过非增强期、动脉期和静脉期三阶段CT扫描，捕获了12个具有诊断价值的影像组学(radiomics)特征，结合临床数据构建了多维特征矩阵。

研究采用机器学习界的"瑞士军刀"LASSO算法进行特征筛选，并让支持向量机(SVM)、多层感知机(MLP)等六种算法展开竞技。最终SVM模型以0.904的AUC值（95%CI 0.798-1.000）拔得头筹，其预测能力如同精准的生物学雷达。更引人注目的是，通过双重稳健估计(doubly robust learner)进行的因果分析显示：B2/B3型胸腺瘤患者就像行走在MG发病的悬崖边，其发病风险较A/AB/B1型患者平均提升9.2%。

这项研究不仅搭建了胸腺瘤向MG演变的"分子桥梁"，更开创了从被动治疗转向主动预警的新纪元。病理亚型这个"分子指纹"的发现，为临床医生提供了预判MG风险的生物标志物，让精准医疗的曙光照射进神经肌肉疾病的诊疗领域。