机器学习在端粒生物学疾病诊断中的应用：一项结合监督与非监督分析的前瞻性队列研究

《HemaSphere》：Application of machine learning in the diagnostic work-up of telomere biology disorders

这篇综述创新性地将机器学习（ML）应用于端粒生物学疾病（TBD）的诊断评估。研究通过对140例疑似TBD患者队列进行监督（随机森林）和非监督（K-means聚类）分析，证实了ML模型能有效区分TBD与其他诊断（OD），并成功对17.2%的未明确诊断（UD）病例进行了潜在重分类。端粒长度（TL）和皮肤黏膜异常被确定为关键鉴别特征。此项工作为TBD这一罕见且表型复杂的疾病提供了新的诊断思路，展示了人工智能在改善疑难疾病诊疗路径方面的巨大潜力。

　　

引言

端粒生物学疾病（Telomere Biology Disorders, TBD）是一组由端粒维持相关基因种系突变引起的异质性疾病，其特征是端粒加速缩短，最终导致端粒不稳定/功能障碍。目前已知超过15个基因参与端粒长度（Telomere Length, TL）稳态调节。TBD的临床表现极具异质性，从非常严重到轻微或无症状形式均可出现，这给诊断带来了巨大挑战。根据指南，TBD的诊断需结合提示性的临床表现、缩短的TL以及致病的TBD基因种系变异。然而，仍有15%–40%的TBD患者无法获得明确的分子诊断。意义未明变异（Variants of Uncertain Significance, VUS）的解读进一步增加了诊断的复杂性。本研究首次尝试将机器学习（Machine Learning, ML）这一人工智能（Artificial Intelligence, AI）子领域应用于TBD的诊断工作流程，旨在克服传统诊断方法的局限。

材料与方法

本研究为一项单中心回顾性研究，纳入了1989年至2023年间转诊至意大利G. Gaslini研究所血液科、符合入组标准的140例患者。患者被标记为“TBD”（n=20，有明确的TBD分子诊断）、“其他诊断”（Other Diagnosis, OD, n=27，有明确的先天性疾病包括骨髓衰竭的分子诊断）和“未明确诊断”（Undefined Diagnosis, UD, n=93，无明确分子诊断）。收集了包括人口统计学、临床特征、实验室检查（特别是TL测量）和遗传学数据。TL通过改良的流式荧光原位杂交（Flow-FISH）方法在淋巴细胞和粒细胞中进行测量。变异根据美国医学遗传学与基因组学学院（ACMG）指南进行分类。

机器学习分析

研究采用了两种主要的ML方法：监督学习和非监督学习。

监督分析：在47例有明确分子诊断（20例TBD和27例OD）的患者训练集上构建随机森林（Random Forest）模型。模型经过五折交叉验证和超参数调优。特征重要性通过平均不纯度减少和SHAP（SHapley Additive exPlanations）值进行评估。训练好的模型随后应用于93例UD患者的测试集。

非监督分析：忽略遗传特征，对全部140例患者的临床生化特征进行多重对应分析（Multiple Correspondence Analysis, MCA），将数据投影到欧几里得空间，然后应用K-means算法进行聚类分析。通过轮廓分析、Calinski-Harabasz指数和Davies-Bouldin指数确定最佳聚类数量。最后，分析聚类与分子诊断之间的关联。

结果

队列特征：队列中男性85例，女性55例，中位年龄13.3岁。20例为TBD，27例为OD，93例为UD（其中19例携带TBD基因的VUS）。

监督分析结果：随机森林模型在训练集上对TBD和OD患者的预测准确率分别为75%和96.3%，总体准确率为87.2%。TL < 1^st百分位数是最重要的鉴别特征，其次是皮肤黏膜异常、TL < 10^th百分位数。将该模型应用于UD组后，预测16/93例患者可能为TBD，77/93例可能为OD，分别占可能重分类诊断的17.2%和82.7%。

非监督分析结果：聚类分析将整个队列分为4个具有显著统计学关联（P = 0.000001）的簇。TBD患者主要集中于簇1和簇2，而OD和UD患者更多分布于簇3和簇4。TL缩短（无论是<1^st还是<10^th百分位数）在簇1和簇2中更为普遍。对典型TBD特征组合的分析显示，许多组合（如皮肤黏膜异常+肝病±TL缩短、骨髓衰竭（Bone Marrow Failure, BMF）+TL缩短等）完全或主要出现在簇1中。

分析结果交叉验证：监督分析预测为TBD的16例UD患者，在非监督分析中全部位于“TBD簇”（簇1和簇2）中，显示出两种方法的高度一致性。非监督分析还纠正了监督分析中的1例误判，将模型在TBD组的预测性从75%提升至80%。对于携带VUS的患者，监督分析预测5/19为TBD；非监督分析中，这5例加上另外2例VUS（共7/19）位于簇1和簇2。

讨论

本研究首次证明了ML模型在TBD经典诊断流程中的辅助应用价值。监督和非监督分析均证实TL和皮肤黏膜异常是区分TBD与OD的最相关特征。该模型能够对相当比例（17.2%）的未诊断病例进行潜在重分类，提示其可能改善TBD的诊断路径。对于携带VUS的患者，虽然ML分析不能直接确诊，但可以提示需要加强监测和定期更新VUS分类。研究的局限性包括回顾性设计导致的缺失数据、样本量相对较小以及队列中成人比例较低。未来计划通过纳入意大利TBD注册库（Database Italiano Telomeropatie, DIT）和德国亚琛TBD注册库的患者来扩大样本量并进?外部验证。

结论

综合运用监督和非监督ML算法，可以有效地对疑似TBD患者进行特征分析和风险分层。TL是关键的鉴别指标。这种ML方法为TBD及其他罕见疑难疾病的诊断提供了新的途径，有助于识别那些可能从更深入遗传学分析中获益的未确诊患者。