《Frontiers in Immunology》：Risk prediction of PLA2R-Ab-negative membranous nephropathy: an interpretable multicenter machine learning model
编辑推荐：
背景：约10%–30%经活检证实的膜性肾病（membranous nephropathy, MN）患者抗磷脂酶A2受体抗体（anti-phospholipase A2 receptor antibody, PLA2R-Ab）血清学阴性。其中仅约5%为真性非PL
背景：约10%–30%经活检证实的膜性肾病（membranous nephropathy, MN）患者抗磷脂酶A2受体抗体（anti-phospholipase A2 receptor antibody, PLA2R-Ab）血清学阴性。其中仅约5%为真性非PLA2R MN，与THSD7A等替代抗原相关，而多数因检测敏感性不足为假阴性PLA2R相关MN。该人群缺乏准确无创诊断工具。方法：本多中心回顾性风险分层研究在推导队列纳入692例PLA2R-Ab阴性患者，独立外部验证队列333例，基于13项关键临床变量构建并验证可解释VotingSoft机器学习模型。结果：模型风险分层性能优异，五折交叉验证AUC 0.878（95%CI 0.850–0.903），内部测试集AUC 0.894（95%CI 0.854–0.930），外部验证队列AUC 0.905（95%CI 0.867–0.935）；特异性0.819，敏感性0.764，阴性预测值0.876。关键预测因子为PLA2R-Ab水平、估算肾小球滤过率（estimated glomerular filtration rate, eGFR）、年龄及血清白蛋白（albumin, ALB）。结论：该多中心可解释机器学习模型利用常规临床指标为PLA2R-Ab阴性MN提供辅助风险分层工具，高特异性有助于早期风险分层，但肾活检仍为确诊金标准。
研究背景与立题依据
膜性肾病（MN）是成人肾病综合征的主要病因，占原发性肾小球疾病20%–30%。抗M型磷脂酶A2受体自身抗体（PLA2R-Ab）检测敏感性70%–80%、特异性>95%，使血清阳性患者得以无创识别，但10%–30%活检证实MN患者PLA2R-Ab≤14 RU/mL（血清阴性）。该亚群中仅约5%为真性非PLA2R MN（伴THSD7A等替代抗原），多数系现行血清学检测阈值高、不能识别线性表位所致的假阴性PLA2R相关MN，仍依赖有创肾活检确认。现有机器学习（machine learning, ML）诊断模型多聚焦PLA2R-Ab阳性或混合人群，针对PLA2R-Ab阴性亚群者极少，且常陷于“黑箱”难被临床采纳。研究人员据此在《Frontiers in Immunology》报道本研究，旨在用常规临床数据构建外部验证的可解释ML模型，区分PLA2R-Ab阴性蛋白尿患者中PLA2R相关MN与其他常见蛋白尿肾病，并以SHAP（SHapley Additive exPlanations）增信、以免费网页工具落地。
主要技术方法概览
研究人员采用多中心回顾性风险分层设计，样本来自河南三家医院（推导队列：郑州大学第一附属医院；外部验证：新乡市中心医院、新华医院），2018年1月至2025年9月成人肾活检者，病例为活检原发MN且PLA2R-Ab≤14 RU/mL，对照为同抗体阴性的糖尿病肾病（diabetic nephropathy, DN）、微小病变（minimal change disease, MCD）、IgA肾病（IgA nephropathy, IgAN）。推导队列692例（MN 299/非MN 393），外部333例。提取32项候选变量，经缺失值处理、Spearman相关性去冗（>0.7删弱关联）、z-score标准化后留27项；以7:3分层拆分训练/内部测试，匹配非MN样本量；遍历11种算法×15种特征选择得165模型，10次重复五折交叉验证选优，最终VotingSoft软投票集成+卡方选择定13特征；以SHAP做全局/局部解释，决策曲线分析（decision curve analysis, DCA）评临床净获益，并部署网页应用。
研究结果
3.1 研究人群与基线特征：推导队列MN组较非MN组年龄大（中位50.0对43.0岁）、PLA2R-Ab高（3.1对1.8 RU/mL）、总胆固醇高、24小时尿蛋白高，血清ALB低、eGFR高（107.7对102.0 mL/min/1.73 m2），组间差异显著（均P<0.001）。
3.2 模型开发与算法优选：VotingSoft+卡方选择综合最优，十次重复下准确率0.836、敏感性0.810、特异性0.848、NPV 0.902、AUC 0.910（95%CI 0.908–0.912）；五折交叉验证均值AUC 0.878（SD 0.031）。
3.3 内部与外部验证性能：13特征VotingSoft模型内部测试AUC 0.894（95%CI 0.854–0.930）、特异性0.819、敏感性0.764、NPV 0.876、校准截距?0.642斜率1.175；外部验证AUC 0.905（95%CI 0.867–0.935）；相较单用PLA2R-Ab，在预测概率阈值0.2时NRI ?0.052，使5.2%灰区患者再分类更准确。
3.4 基于PLA2R-Ab水平的亚组分析：限制立方样条（restricted cubic spline, RCS）示PLA2R-Ab与MN风险非线性，拐点2.25 RU/mL（P非线性=0.04）。外部队列按此切分：低滴度（≤2.25 RU/mL, n=216）AUC 0.857、特异性0.943、NPV 0.916；高滴度（>2.25 RU/mL, n=117）AUC 0.892、敏感性0.810；高滴度判别更优。
3.5 模型解释与特征重要性：SHAP全局排序前四为PLA2R-Ab、eGFR、年龄、ALB；方向示ALB越低、PLA2R-Ab越高（即便在阴性区间）、eGFR越低、年龄越大，MN预测风险越高；瀑布图提供个案推演轨迹。
3.6 临床转化网页部署：研究人员将模型封装为免费交互网页，输入13项常规值即获可解释概率（含因素分解）；371名肾病科医师/全科/患者调查中77.90%倾向以其作首选风险分层。
讨论部分总结
研究人员指出，模型外部AUC 0.905且高特异性、DCA有净获益，填补PLA2R-Ab阴性亚群无创辅助分层空白；RCS拐点2.25 RU/mL揭示阴性区间内高值仍陡增风险，SHAP令PLA2R-Ab/eGFR/年龄/ALB驱动逻辑透明。局限含回顾性设计待前瞻验证、外部仅单地理区、未纳入抗THSD7A/抗NELL-1及IgG4亚型PLA2R-Ab、对照仅DN/MCD/IgAN三种、2.25 RU/mL拐点未前瞻外验、接受度调查便利抽样。未来应前瞻多中心扩对照谱、嵌新自身抗体、以术前辅助分层定位。
结论部分翻译
研究人员构建并验证了一种可解释ML模型用于识别PLA2R-Ab阴性膜性肾病。该模型具高风险分层准确性与特异性，且解释明确，可作为PLA2R-Ab阴性可疑MN蛋白尿患者无创辅助风险分层工具。
