《Diagnostics》：Hidden Signals in Serum Protein Electrophoresis: Artificial Intelligence from Laboratory Pattern Recognition to Clinical Validation
编辑推荐：
血清蛋白电泳（SPE）仍是检测和表征单克隆丙种球蛋白病（monoclonal gammopathies）及其他异常蛋白血症模式的核心实验室方法。尽管分析自动化程度已显著提高，结果判读仍在很大程度上依赖图形呈现和专家视觉评估，使低振幅或临界异常尤其具有挑战性。人
血清蛋白电泳（SPE）仍是检测和表征单克隆丙种球蛋白病（monoclonal gammopathies）及其他异常蛋白血症模式的核心实验室方法。尽管分析自动化程度已显著提高，结果判读仍在很大程度上依赖图形呈现和专家视觉评估，使低振幅或临界异常尤其具有挑战性。人工智能（AI），包括机器学习（ML）和深度学习（DL）方法，已日益应用于SPE，并在自动识别已确立异常尤其是M-protein（即克隆性浆细胞产生的单克隆免疫球蛋白或免疫球蛋白片段）方面报告了高性能。然而，大多数模型均针对预定义诊断目标开发，并以专家判读、免疫固定电泳（immunofixation）或免疫分型（immunotyping）作为参考标准进行评价。因此，对已知异常识别能力的提高不应等同于发现了额外的具有临床意义的信息。现代电泳平台可产生机器可读的数值信号，这些信号可能保留常规图形判读中未被明确考虑的特征。这为将AI辅助SPE从传统模式识别扩展至低振幅、分布式或亚视觉信号特征的检测创造了可能。然而，当前文献主要聚焦于算法性能，而用于确定额外AI检测特征是否具有生物学意义和临床可操作性的验证路径仍界定不足。证据最强的方面是自动化M-protein识别，包括低振幅异常；而非典型系统性模式、纵向信号分析以及AI辅助的治疗性单克隆抗体（t-mAbs）干扰解析仍处于探索阶段。本批判性综述通过依据所检测信息的性质、支持证据的强度以及接近临床实施的程度来评价AI应用，以弥补这一转化缺口。研究人员提出一个涵盖四个互补领域的转化框架：分析有效性（analytical validity）、生物学有效性（biological validity）、临床有效性（clinical validity）和临床效用（clinical utility）。每个领域所需的证据取决于预期声明和临床用途。
4. 论文主体部分总结
1. Introduction
血清蛋白电泳（SPE）是检测和表征单克隆丙种球蛋白病及其他异常蛋白血症的核心实验室方法。尽管分析高度自动化，判读仍依赖图形和专家视觉评估，低振幅或临界异常识别困难。人工智能（AI）、机器学习（ML）和深度学习（DL）已用于SPE图谱、特征和数值信号，对M-protein等已确立异常识别性能高。但多数模型针对预定义诊断目标，以专家判读、免疫固定电泳或免疫分型为参考，改善已知异常识别不等于发现额外临床信息。现代平台产生机器可读数值信号，可能保留常规图形判读未考虑特征，但也可能反映生理变异、炎症、噪声、预处理或平台效应。当前转化缺口在于：文献多关注算法性能，较少定义额外AI检测特征的分析、生物学、临床有效性和临床效用验证路径。本综述据此评价AI检测信息类型、证据强度和临床实施距离，区分已确立、新兴和概念应用，并提出四域转化框架。
2. Literature Search and Critical Appraisal
采用结构化叙述性检索，检索PubMed、Scopus和Web of Science英文文献，涵盖SPE、毛细管电泳、AI、ML、DL、M-protein检测、单克隆丙种球蛋白病和自动判读，并通过参考文献和引文追踪补充。修订期进行针对性核对，但未重复全部数据库检索。纳入直接或间接应用于SPE并报告目标、数据表示、验证策略和性能的研究。因异质性未做meta分析，而按证据强度和转化成熟度批判性评价，关注数据集代表性、目标定义、参考标准、输入表示、独立性、外部验证、过拟合和前瞻实施。定性评价参考TRIPOD + AI和PROBAST + AI原则，但未赋数值偏倚评分。证据沿从概念验证、内部验证到外部或多中心验证、前瞻工作流和常规实施的连续体评价；全文不可获取时仅依据摘要和出版记录。
3. From Electrophoretic Profiles to Machine-Readable Signals: Analytical Foundations and Current Evidence
AI-SPE应用取决于电泳信息表示。数据可作为曲线、图像、常规分数、工程特征或数值序列，不同表示决定模型可访问特征。卷积神经网络（CNN）适合曲线或图像，一维卷积神经网络（1D-CNN）、Transformer和传统监督ML可分析数值序列；随机森林和支持向量机不固有编码电泳顺序。早期CASPER和Neurosoft-Sebia评价异常图谱自动识别。多数应用将SPE视为模式识别，SPECTR和AIRSPE等证明识别M-spike和低浓度单克隆成分的性能，数值毛细管电泳数据也可用集成和特征型ML检测M-protein。最佳表示取决于临床问题：检测预定义M-spike与搜索非典型图谱中细微分布式变化不同。更细粒度数值表示可能保留局部关系或低振幅特征，但不建立生物相关性；预处理、归一化和对齐可能抑制、放大或重塑低振幅特征，跨平台评价应纳入分析验证。当前性能指标多针对预定义参考标准，不能单独证明亚视觉特征具有临床意义。
4. Beyond Pattern Recognition: What Does the Evidence Support?
AI-SPE临床相关性取决于检测信息类型及验证强度，而非算法复杂度。现有证据一端支持已确立异常尤其M-protein识别，另一端非典型系统性模式、纵向亚视觉变化和治疗性单克隆成分计算分离仍属探索或概念。需区分改善已知异常识别、检测额外信号特征和发现临床意义信息三种声明。
4.1 Established and Emerging Evidence: From M-Protein Recognition to Low-Amplitude Abnormalities
M-protein识别最成熟。DL、特征型ML和数值电泳数据研究显示高性能，临床目标已定义，可与专家判读、免疫固定或免疫分型比较。低振幅单克隆异常是常规模式识别的重要扩展；AI可提高接近分析或判读限时的识别，AIRSPE支持低浓度M-spike敏感性增加。但常规视觉漏检而免疫固定确认的成分属操作性亚视觉，并非生物学新发现。当前证据未确立AI检测改变先于常规证据或改善结局。下一步应前瞻评价AI阳性但常规临界图谱是否预测单克隆性确认、进展、器官受累或管理改变。
4.2 Beyond Monoclonal Gammopathies: Demonstrated Pattern Recognition and Hypothesized Systemic Signatures
炎症、自身免疫、感染、肝脏和肿瘤疾病可伴白蛋白和球蛋白分数变化；常规SPE可用多克隆高丙种球蛋白血症、β–γ桥接等类别描述，这些模式不一定疾病特异。已发表AI研究证明可识别部分常规非M-spike模式，如SPECTR评价限制性免疫球蛋白异质性和β–γ桥接，但未证明识别潜在病因或发现新疾病特异签名。数值SPE谱含系统疾病相关分布式特征仍是假设；候选信号形状或区域关系未证明可区分特定系统或自身免疫疾病、预测演变或增加常规实验室信息。检验该假设需匹配声明的参考评估、独立临床诊断或结局定义，并比较临床相关替代诊断，评价分析可重复性、独立人群和增量价值。
4.3 Therapeutic Monoclonal Antibody Interference: Established Methods and Computational Research Directions
治疗性单克隆抗体（t-mAbs）可在SPE和免疫固定电泳（IFE）产生条带或峰，混淆治疗信号和内源M-protein。常规IFE识别同种型但药物与内源蛋白同种型且迁移位置相同时可能不能解决来源。药物特异IFE如DIRA和daratumumab特异Hydrashift通过改变药物迁移评估残余内源条带，已有重复性证据，但特异性限于目标药物；IFE解决应与SPE轨迹M-protein浓度校正区分。质谱如Mass-Fix和miRAMM可区分治疗抗体与内源免疫球蛋白，但分离取决于方法。计算分析已用于自动质谱工作流，如EXENT峰识别和建模，但这不是AI分解SPE图谱证据。对AI-SPE，识别需调查干扰的图谱与定量分离共迁移成分是不同任务；后者仍为研究假设。验证需定义输出是干扰标志、归因还是定量分离，并采用已知混合物、配对样本、药物特异IFE和独立定量比较器；在此之前AI干扰标志应提示确认检测。
4.4 From Algorithmic Performance to Translational Readiness
报告性能应结合数据集、参考评估和验证设计解释。研究任务包括专家定义异常识别、确认性M-protein检测和峰定位或定量，性能估计不可直接互换。验证策略亦不同：SPECTR有独立外部队列，Cheung等在一医院开发并在另一医院测试，Lahtiharju等本地训练应用SPECTR方法，后者不应等同于未变预训练模型外部验证。研究内比较显示性能权衡，如随机森林特异性较高但敏感性较低，AIRSPE内部测试敏感性较高但特异性较低。队列来源、选择性验证、类别不平衡、谱偏倚和患者水平依赖可影响性能估计；应报告类别特异性能、置信区间、校准和亚组表现，并区分模型验证与本地更新。对已确立M-protein目标，外部验证评估可转移性；对额外或亚视觉信号，独立可重复性不建立临床相关性，增量价值需与现有诊断路径比较。
5. From Signal Detection to Clinical Meaning: A Validation Framework
AI增加可计算电泳信息后，核心挑战从检测异常转向确定哪些特征具有临床意义。低振幅、分布式或非典型信号可能反映早期生物过程，也可能源于生理变异、分析前条件、噪声、预处理或平台效应。研究人员提出四域验证：分析有效性、生物学有效性、临床有效性和临床效用。各域分别关注测量与模型输出可靠性、拟议生物学解释、定义临床目标性能和使用后果。机制理解不完整不排除临床有效性，但限制生物学归因。验证前应指定目标人群、平台、模型输出和决策；主要终点和接受标准应预设。
5.1 Analytical Validity
分析有效性应表征批内和批间重复性、样本稳定性、预处理效应、迁移对齐、仪器变异及跨平台稳健性。低振幅特征尤其需关注基线和噪声处理的影响。应同时证明模型预测和底层计算特征可重复；一个环境中的信息特征可能在预处理或平台改变后消失。分析验证范围应匹配部署，跨平台或多中心评价支持可转移性声明。
5.2 Biological Validity
生物学有效性关注检测特征是否反映定义生物过程。电泳谱整合多蛋白群体，可随炎症、免疫激活、肝功能、营养和治疗变化。生物验证需用免疫固定、免疫分型、定量免疫球蛋白、血清游离轻链、质谱、蛋白质组学或炎症标志物等独立证据连接特征与拟议起源。目标不是仅显示与诊断标签相关，而是确定信号代表何种生物现象；仅与诊断相关不构成生物学有效性证据。
5.3 Clinical Validity
临床有效性指在预期人群中识别或预测指定临床状态或结局的能力，不应简化为病例与对照判别。增量诊断或预后价值需超过现有实验室和临床变量，终点可包括单克隆性确认、进展、器官受累、治疗反应等。应评价相关亚组性能和概率校准。纵向证据可检验假设亚视觉特征是否先于并预测临床事件。
5.4 Clinical Utility
临床效用关注AI信息在实验室或临床路径中的后果。分析可重复或分类准确若未改善确认检测、随访或管理，实际益处有限。假阳性可增加免疫固定等检测请求；AIRSPE内部队列中AI阳性显著多于人工判读，提示工作负荷后果，但未确立常规部署幅度。需区分计算警报、电泳发现和确认判读，并前瞻评价重复采样、转诊、监测、焦虑及治疗抗体误归因等风险。应测量转人工审查比例、员工时间、每千例确认检测、周转时间和漏诊异常，并与患者管理变化一起评估。决策曲线分析可辅助净获益评估，但不能替代实际工作流和结局观察。
6. Research Priorities: Longitudinal and Multimodal SPE
下一阶段应少关注模型复杂性，多关注额外电泳信息是否有临床价值。纵向分析可评价相对个体基线变化，但需区别分析前变异、分析不精密度和个体内生物变异。建议从临床表征期间重复样本建立基线变异，连续采样应记录时间、治疗和样本处理，最好同平台、固定预处理和模型版本。已有研究提供M-protein变异性证据，但AI衍生特征阈值尚未建立；纵向模型应处理测量依赖、采样间隔和缺失，前瞻评价假警报、持续性和独立结局。多模态整合应设置反映决策点可用信息的比较器，比较常规临床与实验室变量、加常规SPE信息、再加AI衍生SPE特征的模型，评估判别、校准和预测误差；显著关联或高特征重要性不等于增量临床价值。与蛋白质组、代谢组或基因组整合有助于生物归因，但不等同于临床决策价值。
Recommendations for Prospective, Multicenter, and Cross-Platform Validation
建议分阶段评价：前瞻评估模型性能、跨中心和平台可转移性以及AI辅助工作流。招募前指定人群、任务、输出、参考评估、主要终点和接受标准，固定模型版本、预处理和阈值，本地适应使用独立数据。前瞻阶段与常规检测并行，AI输出不用于决策，连续纳入合格患者，开发与评价患者水平不重叠。参考评估应适合目标且不知道AI结果，覆盖AI阳性和阴性样本。跨平台评价应分离分析效应与人群差异，使用共享患者来源标本组，控制样本处理，报告总体及亚组性能、校准和聚类。满足预设性能后，以前瞻比较研究评价AI路径对益处、安全和工作负荷的影响。最终阶段需证明验证模型改善预期工作流，而非仅重现回顾分类结果。
7. Conclusions
AI正重塑SPE判读，但临床应用成熟度不均。最强证据支持已确立异常尤其M-protein自动识别，ML和DL模型在大型回顾数据及部分独立验证中性能高，提高一致性、可扩展性和潜在敏感性。然而其主要证明更好识别已知诊断目标，而非发现新的临床意义信息。当前缺口在于AI检测超出常规视觉判读信息后的验证路径。现代平台提供机器可读数值信号，可能暴露低振幅、分布式或纵向特征，但其生物和临床意义未解。研究人员提出按分析有效性、生物学有效性、临床有效性和临床效用四域评价额外AI检测特征，所需证据取决于预期声明和用途。下一阶段应确定计算可及信息是否提供超出既有实验室和临床路径的增量价值，而非单纯增加模型复杂度。最终价值取决于该信号能否证明对实验室诊断和患者护理有意义。
