《Pathogens》：Integrated Deep Learning Surveillance of Unknown Pathogens with Pandemic Potential Using Pneumonia of Unknown Etiology
Xiao Yang,
Hui Ma,
Min Zhu,
Xinyu Song and
Jiahao Feng
编辑推荐：
为应对传统以病原体为中心的监测系统在新型传染病早期检测中的固有盲点，本研究开发了一种基于RoBERTa与注意力增强的深度学习模型，旨在利用常规产生的非结构化胸部影像报告文本，实现对不明原因肺炎（PUE）病例的实时自动化筛查，以在大流行潜力病原体被鉴定之前，提前识别异常的聚集信号。模型在测试集上AUC达0.986，在通过马修斯相关系数（MCC）曲线优化确定的最佳阈值（0.08）下，识别PUE病例的灵敏度为89.8%，特异性为97.0%。模拟监测显示预测与真实病例数高度相关，表明其有潜力在病原体识别前检测异常聚集信号。该方法为建立不依赖先验病原体知识的智能传染病预警系统提供了新的可行路径。
在过去的二十年间，从严重急性呼吸综合征（SARS）到中东呼吸综合征（MERS），再到席卷全球的COVID-19，新兴传染病（Emerging Infectious Diseases, EIDs）一次又一次对全球公共卫生安全构成严峻挑战。这些疾病往往来势汹汹，不仅造成沉重的健康负担，也带来巨大的社会经济影响。在与之抗争的过程中，一套强大、能够及早预警并实时监控的疫情监测体系，无疑是切断传播链、降低感染风险和死亡率的关键。然而，理想很丰满，现实却很“骨感”——在新发传染病暴发的初期，往往缺乏快速、特异的病原体检测手段。此时，那些无法及时明确病因的肺炎病例，常常被归类为“不明原因肺炎”（Pneumonia of Unknown Etiology, PUE），从而形成一个关键的监测窗口。换言之，PUE，这个在就诊时无法明确病因的临床流行病学实体，本身就是EID暴发的一个重要临床预警信号。
传统的基于病原体确认的监测系统，其设计初衷是针对已知疾病，而非从海量常规临床数据流中挖掘异常信号。这导致其在面对全新病原体时，存在天然的滞后性。这一点在COVID-19大流行初期暴露无遗：由于对新病原体检测能力不足，传统监测系统未能及时发现聚集信号，错过了早期控制疫情的宝贵时机。这凸显了一个根本性缺陷：完全依赖病原体确认的监测网络，天生就缺乏及时性和对早期信号的敏感性。相反，一些替代性数据流，如利用电子健康记录（Electronic Health Records, EHRs）和互联网搜索查询的症状监测，已被证明能在基于确诊病例的官方警报前最多两周就预测到疫情浪潮。这迫切呼唤一种不依赖病原体识别，却能实时从常规临床数据流中挖掘异常模式的预测分析工具。
正是在这样的背景下，本研究应运而生。它瞄准了一个临床实践中大量产生、却尚未被充分挖掘的宝贵数据源——非结构化的胸部影像报告文本。研究人员构想，能否利用人工智能，特别是深度学习与自然语言处理（Natural Language Processing, NLP）技术，从这些描述肺病变位置、形态、密度、分布范围的文字中，自动识别出PUE病例的“蛛丝马迹”，从而实现不依赖先验病原体知识的实时自动化筛查与早期预警？如果可行，这将在病原体被实验室鉴定之前，就为公共卫生决策者提供一个“前哨”预警，填补传统监测的空白窗口。
为了回答这个核心问题，研究团队进行了一项单中心回顾性观察性研究。他们从中国北京一家三甲教学医院的电子健康记录系统中，回顾性收集了2022年1月1日至2023年3月31日期间共8860名呼吸道疾病患者的数据，其中包括980例PUE病例（11.1%）和7880例已知病原体肺炎（Known Etiology Pneumonia, KEP）病例。所有PUE病例在本研究中均为后来经核酸检测确诊的COVID-19病例，以模拟新发传染病早期、病原体未知的场景。研究团队构建了一个深度学习的文本模型，其架构遵循“深度语义特征提取→关键信息增强→分类决策”的逻辑。模型以经过中文医学文本进一步预训练的RoBERTa模型作为主干网络进行文本特征提取，随后引入一个加性注意力池化层（Additive Attention Pooling Layer）来增强模型对影像诊断文本中关键信息的关注能力。最后，通过一个全连接神经网络进行分类。模型的训练采用了交叉熵损失函数，并在验证集上通过马修斯相关系数（Matthews Correlation Coefficient, MCC）曲线来确定最优决策阈值，该指标能综合混淆矩阵的所有结果，对类别不平衡的数据集更为稳健。研究还设计了将该模型作为后台实时服务集成到医院信息系统（Hospital Information System, HIS）的方案，模拟其在现实世界中对聚集性PUE病例的监测预警应用。
3.1. 研究队列的基本特征
本研究共纳入8860名符合条件的呼吸道疾病患者，其中PUE组980例（11.1%），KEP组7880例。基线特征分析显示，PUE组患者年龄更大，且在影像学文本特征上，磨玻璃影/高密度影（57.4% vs. 35.5%）和实变/空气支气管征/纤维条索（21.8% vs. 17.3%）的比例显著高于KEP组。这些基线差异，特别是影像学表现的显著分布差异，为后续模型从文本中学习判别模式提供了可能。
3.2. 利用MCC曲线确定最佳阈值
为了确定高灵敏度筛查的最佳决策阈值，研究者在验证集上评估了模型在不同阈值下的性能。验证集上的MCC曲线显示，在阈值为0.08时达到最高MCC值（0.821），因此被选为最优阈值。在独立的测试集上，使用此固定阈值（0.08）评估模型，其准确率为96.2%，灵敏度（召回率）为89.8%，特异性为97.0%。相比机器学习中常规的默认阈值（0.5），此优化阈值将灵敏度大幅提升了约14.8个百分点，同时保持了高准确率，特异性仅从98.7%轻微下降至97.0%。此时，模型的精确度（PPV）为78.9%，阴性预测值（NPV）为98.7%，F1分数达到0.84，在评估的阈值范围内均表现优异。
3.3. 模型整体性能表现
模型在测试集上展现出了优异的整体判别能力。受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic Curve, AUC）为0.986（95% CI：0.981–0.991）。在选定的最佳阈值0.08下，混淆矩阵分析进一步证实了其高灵敏度与高特异性的平衡表现。这些结果表明，基于胸部影像报告文本的深度学习模型能够有效区分PUE与KEP病例。
3.4. 模拟监测应用与预警信号检测
为了验证模型在实际监测场景中的应用潜力，研究进行了一项模拟监测演练。将模型集成到模拟的医院信息系统中，对测试集病例按时间顺序进行“实时”处理。结果显示，模型预测的PUE病例数与实际的PUE病例数在时间序列上具有高度相关性（皮尔逊相关系数r = 0.901）。这表明，该模型不仅能够准确识别个体病例，还有潜力在更早的时间点检测到异常的病例聚集信号，而这正是早期预警的核心目标。
本研究得出结论，所开发的基于RoBERTa与注意力增强的深度学习模型，在利用非结构化胸部影像报告文本来实时筛查不明原因肺炎病例、并预警由未知病原体引起的聚集信号方面，展现出卓越的潜力。模型在独立测试集上取得了高AUC（0.986）、高灵敏度（89.8%）和高特异性（97.0%）的优异性能。通过MCC曲线优化的低决策阈值（0.08）策略，成功实现了以高灵敏度为优先的筛查目标，这对于旨在最大限度减少漏报的公共卫生监测场景至关重要。
研究的核心意义在于，它成功地将一种常规、易获取的临床数据流——胸部影像报告文本——转化为了一种不依赖于先验病原体知识的智能监测工具。这直接针对了传统病原体监测系统在新型传染病暴发初期的根本性“盲点”。该模型可无缝集成到医院信息系统中，作为后台服务实现自动化实时筛查，并与国家关于聚集性不明原因肺炎病例的监测规则自动对齐，从而构建一个有效的实时监测与预测分析系统。这种方法为建立一个更加智能、灵敏、实时的传染病防御体系提供了新颖的思路和实证证据，有望在未来的大流行防范中，为抢占宝贵的早期响应时间窗口提供关键技术支持。
然而，研究也存在一定局限性，例如本研究中的PUE病例全部由SARS-CoV-2引起，模型对于其他病因（如未知病毒、细菌或非典型病原体）引起的PUE的泛化能力有待在未来更广泛的数据集中进一步验证。尽管如此，这项工作为利用人工智能和临床文本数据加强新兴传染病，特别是由未知病原体引发疾病的早期智能监测能力，迈出了坚实而富有启发性的一步。
