《MicrobiologyOpen》：The Evaluation of Machine Learning Models Using Matrix-Assisted Laser Desorption/Ionization Time-of-Flight Mass Spectrometry (MALDI–TOF–MS) Spectra for the Prediction of Antibiotic Resistance in Klebsiella pneumoniae
编辑推荐：
这篇综述系统评估了23项研究，探讨了如何利用临床常规的基质辅助激光解吸电离飞行时间质谱（MALDI–TOF–MS）数据结合机器学习（ML）模型，快速、准确地预测肺炎克雷伯菌的抗生素耐药性。研究发现，以随机森林（RF）、XGBoost、卷积神经网络（CNN）等为代表的模型在预测碳青霉烯类耐药（特别是CRKP）方面表现优异，受试者工作特征曲线下面积（AUROC）常>0.90，且可将耐药性报告时间从传统方法的数天（48–96 h）缩短至数小时甚至数分钟，为早期靶向治疗和抗菌药物管理提供了新工具。然而，模型普遍存在外部验证不足、质谱预处理标准化及不同实验室工作流程差异等局限，可能影响其临床普适性与转化。
在全球公共卫生领域，抗生素耐药性（AMR）正构成日益严峻的挑战，其中，肺炎克雷伯菌（Klebsiella pneumoniae）因其高发的多重耐药与碳青霉烯类耐药（CRKP）而备受关注。传统药敏检测耗时长达数天，常导致治疗延迟。近年来，一种创新的诊断策略应运而生：将临床微生物实验室中广泛用于病原体快速鉴定的基质辅助激光解吸电离飞行时间质谱（MALDI–TOF–MS）仪器，与强大的机器学习（ML）算法相结合，直接从细菌蛋白谱图中“解读”出耐药信息。
机器学习：挖掘质谱图中的“耐药密码”
机器学习模型擅长从复杂数据中发现模式。研究人员将肺炎克雷伯菌的MALDI–TOF–MS质谱图（通常覆盖2000–20,000 Da的质量范围）与已知的药敏表型数据配对，构建训练集。通过特征提取和模型训练，算法能够学习耐药菌株与敏感菌株在蛋白表达谱上的细微差异。在评估的23项研究中，集成学习算法，尤其是随机森林（RF），成为了最常用且表现最佳的模型之一，在多项针对碳青霉烯类耐药的预测中，其准确率高达97%，受试者工作特征曲线下面积（AUROC）可达0.99甚至更高。梯度提升模型如XGBoost、LightGBM以及深度学习模型如卷积神经网络（CNN）也展现了卓越的性能，例如有研究利用CNN区分碳青霉烯酶亚型（KPC、NDM、OXA-48），取得了96.1%的准确率和0.99的AUROC。
除了最常见的碳青霉烯类，该技术也被成功应用于预测氟喹诺酮类（如环丙沙星）、第三代头孢菌素（如头孢曲松）、甚至新型药物如头孢他啶-阿维巴坦以及多粘菌素（粘菌素）的耐药性。然而，预测性能因抗生素而异，例如左氧氟沙星的预测较为困难，这可能源于其耐药机制多样且不易在蛋白谱上产生特异性变化。
提速诊断：从“天数”到“分钟数”的飞跃
将机器学习整合到MALDI–TOF–MS工作流程中，最大的优势在于极大缩短了耐药性检测的周转时间。传统表型药敏试验（如自动化微量肉汤稀释法、纸片扩散法）通常在获得纯菌落后仍需额外1-4天。而ML-MALDI–TOF–MS方案无需增加额外的培养步骤，一旦获得用于物种鉴定的菌落，即可在获取质谱图后的几分钟到几小时内完成预测。多项研究报道了显著的时间节省：例如，对血培养中的CRKP预测可提前35–71小时报告结果；对粘菌素耐药的检测可节省约18.5小时；对环丙沙星耐药的检测可节省约46小时。最快的模型甚至能在20-30分钟内给出结果。这种“提速”对于危重感染患者的早期有效治疗至关重要，有研究指出，每小时延迟使用有效抗生素，患者生存率可能下降7.6%。
标准化之路：模型临床转化的关键瓶颈
尽管前景广阔，但当前基于MALDI–TOF–MS的机器学习耐药预测模型在迈向广泛临床应用的路上仍面临几大核心挑战。
首先，是外部验证的普遍缺乏。在纳入的23项研究中，仅有3项（13%）使用了独立的外部数据集对模型性能进行验证，且外部验证的性能（如一项研究中AUROC从内部的0.82降至外部的0.594）通常明显低于内部验证结果。绝大多数研究依赖于从同一机构数据中划分的训练集/测试集进行内部验证，这可能导致模型对其“出生地”的数据过拟合，而在应用于其他医院、地区或不同患者人群时表现下降。大多数研究（52%）的数据仅来源于单一家医院，限制了模型的代表性和泛化能力。
其次，实验工作流程的差异是影响模型可重复性与跨实验室应用的主要障碍。其中，培养基的选择是一个被严重忽视的变量。细菌在不同培养基（如血琼脂、巧克力琼脂、麦康凯琼脂）上生长，其蛋白表达谱会发生变化，进而影响质谱图。然而，在评估的研究中，有8项（超过三分之一）未报告所使用的培养基。少数进行了培养基比较的研究得出了重要结论：一项研究发现，使用血琼脂培养的菌株构建的随机森林模型，对产碳青霉烯酶肺炎克雷伯菌（CPK）的预测准确率可达95.24%，而使用巧克力琼脂或麦康凯琼脂时，分类性能则很差。这表明，为确保最佳预测准确性，模型训练和临床应用中应使用标准化的培养基，目前血琼脂是最常见且表现稳定的选择。
再者，质谱数据的预处理，特别是强度归一化方法，缺乏统一标准。强度归一化对于消除上样量、离子化效率等非生物因素导致的信号波动至关重要。然而，在61%报告了归一化方法的研究中，采用了总离子流（TIC）归一化、平方根变换、对数变换等多种不同方法，另有39%的研究甚至未说明所用方法。这种异质性使得不同研究开发的模型难以直接比较和整合。
最后，质谱仪器平台的差异也可能带来影响。研究中主要使用布鲁克（Bruker）和生物梅里埃（bioMérieux）的MALDI–TOF–MS系统，不同平台间的信号采集特性可能不同，需要模型具备一定的跨平台鲁棒性。
未来展望：构建稳健、可推广的临床决策支持工具
总结而言，利用MALDI–TOF–MS结合机器学习预测肺炎克雷伯菌抗生素耐药性，是一项极具转化潜力的技术。它能够将现有诊断设备的功能从“物种鉴定”扩展至“耐药性快检”，在不显著增加成本的前提下，为临床医生提供远远早于传统方法的耐药信息，从而助力早期精准治疗、改善患者预后、并加强抗菌药物管理（AMS）。
为了实现这一技术的广泛临床应用，未来的研究需着力于：开展大规模、多中心的前瞻性研究，收集多样化、具有代表性的数据集；建立标准化的操作流程（SOP），涵盖从菌株培养、质谱检测到数据预处理的各个环节；积极进行严格的外部验证，评估模型在真实世界、未见过的数据上的表现；并探索能够适应不同实验室条件和仪器平台的通用性模型或校准方法。唯有通过这些努力，才能将这项高效的“数字药敏”技术，转化为守护患者生命、遏制耐药菌传播的可靠临床工具。
