基于迁移学习的多模态模型在皮肌炎相关间质性肺疾病90天呼吸衰竭早期预测中的应用

《Frontiers in Immunology》：A transfer learning-based multimodal model for early prediction of 90-day respiratory failure in dermatomyositis-associated interstitial lung disease

　　

背景：皮肌炎相关间质性肺疾病（DM-ILD）是一种危及生命的疾病，常导致呼吸衰竭、预后不良和高死亡率，特别是在抗黑素瘤分化相关基因5（anti-MDA5）抗体阳性的患者中。早期识别MDA5阳性对于及时干预至关重要，然而在不同地区常规检测并不总是可用。在一些中心，该测试被省略或送到外部实验室，这可能延迟对疾病严重程度的认识并推迟适当的治疗。由于基于入院数据的风险评估仍然有限，研究人员将90天呼吸衰竭作为一个早期且具有临床相关性的结局，收集患者入院前48小时内的临床信息，并排除了anti-MDA5结果。使用这些数据，研究人员开发并在内部测试了一个多模态模型，以预测DM-ILD患者的90天呼吸衰竭。方法：在这项探索性单中心回顾性研究中，124名成年DM-ILD患者按7:3的训练-测试比例进行分析，在训练集内使用五折交叉验证。基线预测因子包括人口统计学特征、临床表现、实验室结果、肺功能指标，以及使用预训练模型从胸部CT扫描中提取的潜在计算机断层扫描（CT）特征，均在入院48小时内收集。比较了多种降维、建模和融合策略，以确定最佳框架。研究人员使用受试者工作特征曲线下面积（AUC）评估模型性能，并使用Shapley加性解释（SHAP）评估可解释性。结果：在预先指定的候选模型中，结合主成分分析（PCA）的早期融合随机森林模型在留出测试集中表现出最佳的判别性能，AUC为0.967，PR-AUC为0.879。SHAP分析显示，关节炎、肺功能指标、实验室标志物和几个潜在的CT特征是最有影响力的预测因子。结论：基于入院的多模态模型在内部测试中表现出令人鼓舞的性能，可能有助于对DM-ILD患者的90天呼吸衰竭风险进行早期分层，特别是在anti-MDA5抗体结果不可用或延迟的情况下。

皮肌炎相关间质性肺疾病（DM-ILD）常表现为快速进展，极易引发急性严重的呼吸衰竭。尤其是抗黑素瘤分化相关基因5（anti-MDA5）抗体阳性的皮肌炎（DM）亚型，具有高度侵袭性且死亡率极高，与快速进展性间质性肺疾病（RP-ILD）密切相关。然而，在日常临床实践中，anti-MDA5抗体检测往往无法及时获取，治疗决策通常在血清学结果明确前便已做出。此外，既往预测模型多依赖单一领域的预测因子或anti-MDA5抗体状态本身，且多关注死亡率等长期终点，而将呼吸衰竭作为具有临床指导意义的早期预测终点的研究较少。同时，高分辨率计算机断层扫描（HRCT）评估常依赖主观视觉判断，难以捕捉细微影像信息。因此，亟需开发一种基于入院早期简易客观指标且不依赖特殊抗体检测的模型，以早期识别存在呼吸衰竭风险的患者并指导及时干预。这项研究成果发表在《Frontiers in Immunology》上。研究人员旨在开发并验证一种多模态模型，用于在anti-MDA5抗体结果不可及的情况下，早期预测DM-ILD患者的90天呼吸衰竭风险。研究得出的结论表明，基于入院信息的早期融合机器学习模型在内部测试中展现了出色的预测效能，能够作为早期危险分层的有力工具，有效辅助临床医师在资源有限或抗体检测延迟的情境下做出快速干预决策，具有极高的临床转化意义。

在技术方法方面，研究人员开展了一项单中心回顾性研究，队列样本来自兰州大学第一医院。研究纳入了符合标准的成年DM-ILD患者，收集其入院前48小时内的临床、实验室及肺功能等结构化数据。关键方法是利用预训练的视觉基础模型（CT-FM）作为固定特征提取器，基于迁移学习从患者HRCT影像中提取高维潜在特征；随后分别采用主成分分析（PCA）和偏最小二乘判别分析（PLS-DA）对高维特征进行降维；最后结合多种机器学习算法（如逻辑回归、支持向量机、随机森林等），在训练集中进行五折交叉验证，并通过早期和晚期融合策略对比构建出最优的多模态预测模型。

研究人口与基线特征
最终分析共纳入124例DM-ILD患者，其中26例在90天内发生呼吸衰竭。通过对比基线特征发现，发生呼吸衰竭的患者入院时甲周红斑、关节炎和机械手的发生率显著更高。同时，这些患者呈现出更低的白蛋白和C3水平，更高的红细胞沉降率（ESR）和铁蛋白水平，且基线肺功能损害更为严重，表现为用力肺活量（FVC）百分比predicted、第1秒用力呼气容积（FEV₁）百分比predicted及一氧化碳弥散量（DLCO）百分比predicted显著降低。

候选模型性能比较
研究人员对多种模型配置进行了评估。结果显示，融合模型的表现优于仅依赖CT特征的模型，并且总体上优于单模态方法。仅使用CT特征的模型单独使用时预测价值有限，而将CT潜在特征与临床和功能变量结合能够持续提升模型性能。在单模态模型中，仅使用临床变量的随机森林模型表现最优。总体而言，基于随机森林算法的融合模型在此研究中展现出最佳效能。

最终模型的选择
研究人员通过训练集中的五折交叉验证选择了基于PCA降维的早期融合随机森林模型，并在留出测试集中对其进行了单次验证。该模型表现出卓越的预测效能，曲线下面积（AUC）达到0.967，精确召回曲线下面积（PR-AUC）为0.879，准确率为0.947，敏感性为0.875，特异性为0.967。尽管测试集中呼吸衰竭事件数量有限，需谨慎解读，但经多重稳定性分析及Bootstrap乐观校正后，校正后的AUC为0.905，表明该模型在计入过拟合后依然具备良好的判别能力。

模型可解释性
研究人员使用Shapley加性解释（SHAP）值分析了特征贡献度。结果显示，关节炎是最终模型中最重要的预测因子。同时，DLCO百分比predicted、FEV₁百分比predicted和FVC百分比predicted等肺功能变量也做出了巨大贡献。此外，白蛋白、丙氨酸氨基转移酶（ALT）、降钙素原（PCT）、ESR、抗心磷脂抗体免疫球蛋白G、补体C3和铁蛋白等实验室指标也发挥了重要作用。来自CT的潜在特征如CT_PC4和CT_PC5等同样位列关键预测因子之中。

总结讨论与结论
在讨论部分，研究人员指出该模型性能优异主要得益于基线肺功能和入院实验室标志物本身对短期呼吸衰竭具有强烈的预测作用。从临床视角来看，关节炎作为皮肌炎的肺外表现，可能反映了更为强烈的系统性炎症负担和免疫激活。而肺功能指标的下降反映了患者基线呼吸储备的受损，特别是DLCO能够提示肺泡毛细血管气体交换屏障的早期损害。至于CT潜在特征，虽然在单独使用时预测力有限，但因其能提取视觉评估难以察觉的细微纹理模式，与临床信息互补后显著提升了多模态模型整体的表现。此外，多种实验室指标的异常提示部分患者在入院时已处于严重的炎症反应、营养缺乏和多器官代偿应激状态。该研究证明了多模态整合策略在DM-ILD早期风险评估中的可行性，将其作为一个基于入院数据的早期严重程度分层工具具有重要意义。最后，尽管研究存在单中心样本量有限、回顾性研究不可避免的残余偏倚等局限性，且模型推广仍需依赖HRCT及算力支持，但研究得出的结论表明，基于入院的多模态模型在内部测试中展现出令人鼓舞的性能，在未来anti-MDA5抗体结果不可用或延迟的情况下，该模型有望为DM-ILD患者的90天呼吸衰竭风险早期分层提供有力的临床辅助支持。