《Frontiers in Public Health》：An explainable machine learning model for type B aortic dissection identification: development and internal evaluation
编辑推荐：
目的：B型主动脉夹层（TBAD）是一种危及生命的心血管急症，需要及时识别。本研究旨在开发和内部评价一种可解释的机器学习模型，利用常规可获取的临床病史和入院实验室数据，用于识别已存在的TBAD。方法：这项单中心回顾性病例对照研究纳入了1,640名参与者，包括85
目的：B型主动脉夹层（TBAD）是一种危及生命的心血管急症，需要及时识别。本研究旨在开发和内部评价一种可解释的机器学习模型，利用常规可获取的临床病史和入院实验室数据，用于识别已存在的TBAD。方法：这项单中心回顾性病例对照研究纳入了1,640名参与者，包括854例经计算机断层扫描血管造影（CTA）确诊的TBAD患者和786例住院对照，这些对照接受了全主动脉CTA并确认无主动脉夹层。研究人员收集了人口学特征、病史和入院实验室检查结果作为38个初始候选变量。采用最小绝对收缩和选择算子（LASSO）回归识别关键判别变量。随后基于八种算法开发并比较了机器学习模型：支持向量机（SVM）、梯度提升机（GBM）、神经网络、极端梯度提升（XGBoost）、k-最近邻（KNN）、自适应提升（AdaBoost）、轻量梯度提升机（LightGBM）和分类提升（CatBoost）。在训练集中使用网格搜索和重复5次的10折交叉验证调整超参数。在保留的内部测试集中使用受试者工作特征曲线下面积（AUC）评估模型区分能力。选择最终代表性模型，使用SHapley Additive exPlanations（SHAP）进行探索性解释。结果：LASSO回归筛选出五个预测因子：高血压、白细胞计数、淋巴细胞百分比、嗜碱性粒细胞百分比和单核细胞计数。多个模型在保留的内部测试集中表现出可比的区分能力。神经网络模型在训练集中AUC为0.883，在保留的内部测试集中AUC为0.852，95%置信区间分别为0.864–0.902和0.819–0.885。基于ROC曲线分析，神经网络模型显示出相对较好的区分能力，因此被选为最终代表性模型，用于基于SHAP的探索性解释。SHAP分析显示，淋巴细胞百分比、高血压、单核细胞计数、白细胞计数和嗜碱性粒细胞百分比是最终模型预测的主要贡献因素，其中淋巴细胞百分比的平均绝对SHAP值最高。结论：本研究在一个单中心CTA确诊的回顾性病例对照队列中，开发并内部评价了一个用于识别已存在TBAD的可解释机器学习模型。鉴于缺乏外部验证，本研究应被视为探索性。在临床实施前，需要在临床相关的急性症状人群中进行外部验证。
**论文解读：基于可解释机器学习模型的B型主动脉夹层识别研究**
**一、研究背景与问题**
主动脉夹层（aortic dissection, AD）是一种起病急骤、死亡率极高的心血管急症，早期准确诊断至关重要。根据Stanford分型，B型主动脉夹层（type B aortic dissection, TBAD）局限于降主动脉，其早期临床表现常不典型，易与急性冠脉综合征、肺栓塞等疾病混淆，导致诊断延迟或漏诊。目前，计算机断层扫描血管造影（computed tomography angiography, CTA）是确诊TBAD的金标准，但在临床实践中，受患者转运、设备可用性、准备流程等因素影响，CTA可能无法立即实施。因此，探索能否利用常规可获取的临床病史和入院实验室数据，在确诊性影像学检查前辅助识别TBAD，具有重要的临床意义。机器学习（machine learning）能够处理复杂非线性关系，已在多种急危重症的诊断或风险评估中展现潜力，但针对TBAD、基于常规临床和实验室变量的可解释机器学习模型研究仍有限。本研究旨在开发并内部评价一个可解释的机器学习模型，用于识别已存在的TBAD，为后续临床验证提供探索性基础。
**二、主要关键技术方法**
本研究为单中心回顾性病例对照研究，数据来源于新疆医科大学第一附属医院（2012–2025年），共纳入1,640名参与者，包括854例经CTA确诊的TBAD患者和786例住院对照（均完成全主动脉CTA且无主动脉夹层）。研究人员从电子病历中提取人口学特征、病史及入院实验室检查结果作为38个初始候选变量。采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归进行特征选择，保留非零系数变量。基于八种机器学习算法（支持向量机、梯度提升机、神经网络、极端梯度提升、k-最近邻、自适应提升、轻量梯度提升机、分类提升）开发模型，在训练集中通过网格搜索和重复10折交叉验证（重复5次）调整超参数。在保留的内部测试集中以受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）为主要评价指标，并计算准确率、灵敏度、特异度、精确率、F1分数。最终选择代表性模型，利用SHapley Additive exPlanations（SHAP）框架进行可解释性分析。
**三、研究结果**
**3.1 研究人群特征**
共1,640名参与者，包括854例TBAD患者和786例对照。TBAD组中男性（80.80%）比例高于对照组（74.68%），年龄中位数56岁，低于对照组（59岁）。TBAD组高血压患病率（78.81%）显著高于对照组（43.00%），且白细胞计数、中性粒细胞百分比、单核细胞计数、血糖等指标更高，淋巴细胞百分比、嗜碱性粒细胞百分比、血小板计数等更低（所有P<0.05）。
**3.2 特征选择**
通过LASSO回归（10折交叉验证，lambda.1se标准）筛选出五个预测因子：高血压病史、白细胞计数、淋巴细胞百分比、嗜碱性粒细胞百分比和单核细胞计数。这些变量被用于后续模型构建。
**3.3 模型性能评估**
八种机器学习模型在训练集和保留内部测试集中进行评估。在内部测试集中，多个模型AUC相近。神经网络模型在训练集AUC为0.883（95% CI: 0.864–0.902），在内部测试集AUC为0.852（95% CI: 0.819–0.885），准确率0.772，灵敏度0.843，特异度0.697，精确率0.748，F1分数0.793。相比其他模型（如LightGBM、KNN），神经网络模型在训练集与测试集之间的性能下降幅度较小，基于ROC曲线分析被选为最终代表性模型。
**3.4 选定模型的可解释性**
SHAP分析显示，淋巴细胞百分比的平均绝对SHAP值最高，其次是高血压、单核细胞计数、白细胞计数和嗜碱性粒细胞百分比。总体而言，较低的淋巴细胞百分比、存在高血压、较高的单核细胞计数与更高的TBAD预测概率相关。SHAP依赖图进一步展示了各变量与预测值之间的非线性关系。
**四、讨论与结论**
**讨论总结**：本研究利用基本病史和常规血常规指标，开发并内部评价了一个探索性机器学习模型。淋巴细胞百分比、单核细胞计数和高血压被识别为重要预测变量。淋巴细胞降低可能反映免疫失调和炎症反应，与既往研究提出的急性主动脉夹层中免疫细胞浸润及炎症机制一致。单核细胞计数作为炎症生物标志物，其升高可能与夹层后血小板激活、炎症因子释放相关。高血压作为经典危险因素，进一步支持模型纳入常规病史变量。研究局限性包括：单中心回顾性设计、缺乏外部验证，因此模型应被视为探索性，临床应用前需在急性症状人群中进行外部验证。
**研究结论翻译**：本研究利用常规可获取的临床病史和入院实验室数据，开发并内部评价了一个用于识别已存在TBAD的可解释机器学习模型。鉴于回顾性设计及缺乏外部验证，本研究应被视为探索性。在临床实施前需要进行外部验证。该论文发表于《Frontiers in Public Health》。
