基于机器学习的慢性免疫性多发性神经病电生理亚型自动诊断模型研究

本研究针对慢性免疫性多发性神经病（CDP）亚型诊断难题，通过机器学习算法分析电生理参数（如传导速度、F波潜伏期等），首次实现CIDP、IgM-MGUS抗MAG+/-三种亚型的自动分类（测试准确率80.6%）。随机森林模型揭示F波潜伏期和远端潜伏期为关键鉴别指标，为临床精准分型和个体化治疗提供新工具。

　　

慢性免疫性多发性神经病（Chronic Dysimmune Polyneuropathies, CDP）是一组由自身免疫攻击周围神经髓鞘或轴突导致的复杂疾病，其中慢性炎症性脱髓鞘性多神经根神经病（CIDP）和IgM单克隆丙种球蛋白病（IgM-MGUS）相关神经病最具代表性。尽管这些亚型在发病机制、治疗反应和预后上存在显著差异，但临床中45%的CIDP患者存在误诊，主要源于电生理特征的交叉重叠。传统诊断依赖欧洲神经病学会（EFSN）指南的手工参数分析，缺乏量化标准。

意大利Careggi大学医院联合团队在《Journal of NeuroEngineering and Rehabilitation》发表的研究，首次将机器学习（ML）应用于CDP亚型自动分类。研究纳入67例患者（CIDP 29例、IgM-MGUS抗MAG+ 20例、IgM-MGUS抗MAG- 18例），采集52项电生理参数（包括运动/感觉传导速度、F波潜伏期、复合肌肉动作电位CMAP等），采用嵌套交叉验证策略比较五种算法。

关键技术包括：1）双侧8条运动神经和6条感觉神经的神经传导研究（NCS）；2）基于SHAP值的随机森林（RF）模型可解释性分析；3）留一法（LOSO）验证避免数据泄漏。

研究结果：

1. 模型性能：RF模型验证准确率达86.5%，测试集达80.6%，显著高于支持向量机（SVM 76.1%）等对照算法。CIDP识别主要依赖F波潜伏期延长（p<0.05），而IgM-MGUS抗MAG+以感觉传导速度（SCV）降低为特征。
2. 关键参数：SHAP分析显示，F波潜伏期对CIDP分类贡献最大（↑1.8倍），而IgM-MGUS抗MAG+组以运动远端潜伏期（MDL）延长为标志。
3. 病理模式：CIDP表现为运动通路损伤（MCV↓、CMAP↓），IgM-MGUS抗MAG+呈现感觉优势型（SCV↓、SDL↑），IgM-MGUS抗MAG-则显示相对保留的CMAP振幅。

讨论指出，该研究突破性地量化了EFSN指南中的定性标准：F波潜伏期延长反映CIDP运动神经元脱髓鞘，而MDL异常与IgM-MGUS抗MAG+的远端脱髓鞘病理一致。研究局限性包括未纳入时空离散度等参数，未来需扩大队列验证。这项成果为CDP的精准医疗提供了首个电生理驱动的决策支持工具，推动神经免疫疾病诊断进入人工智能辅助时代。