可解释机器学习算法在外周肺病变径向探头支气管内超声引导下导引鞘辅助经支气管肺活检诊断阳性率预测中的应用

《BMC Pulmonary Medicine》：Application of interpretable machine learning algorithms to predict diagnostic yield of radial probe endobronchial ultrasound transbronchial lung biopsy with guide sheath in peripheral pulmonary lesions

　　

摘要

径向探头支气管内超声引导下经支气管肺活检联合导引鞘（RP-EBUS-GS-TBLB）是周围性肺病变（PPLs）的主要诊断方法之一。本研究旨在识别影响RP-EBUS-GS-TBLB在周围性肺病变中诊断效能的潜在因素。

本研究为回顾性单中心队列研究，共纳入2022年1月至2024年10月在中国人民解放军总医院第八医学中心接受RP-EBUS-GS-TBLB的189例周围性肺病变连续患者。患者被随机分为训练集（70%，n?=?132）和测试集（30%，n?=?57）。通过应用Boruta算法和LASSO回归方法筛选最具影响力的因素，并利用韦恩检验进一步精炼。随后，采用五种机器学习（ML）技术，即XGBoost、LightGBM、随机森林（RF）、自适应增强（Adaboost）和支持向量机（SVM）构建预测模型。模型有效性通过准确率、灵敏度、特异度、阳性预测值、阴性预测值、F1评分和受试者工作特征曲线下面积（AUC）进行评估。Shapley加性解释（SHAP）分析为个体患者提供了可视化解释。

Boruta与LASSO方法的整合识别出CT中病变形态、活检次数、大小、边缘、回声性和RP-EBUS位置为显著预测因子。综合考虑所有因素，我们选择随机森林模型作为最优模型，其准确率、灵敏度、特异度、阳性预测值、阴性预测值、F1评分和AUC（95% CI）值分别为0.857（0.799–0.915）、0.652（0.526–0.779）、0.921（0.856–0.986）、0.759（0.566–0.953）、0.896（0.854–0.937）、0.686（0.573–0.799）和0.872（0.695–1.000）。SHAP分析提供了独立的解释，再次确认了与RP-EBUS-GS-TBLB在周围性肺病变中诊断效能相关的关键临床因素。

本研究成功利用机器学习技术建立了RP-EBUS-GS-TBLB在周围性肺病变中诊断效能的精确预测模型，为临床医生制定明智的临床决策提供了有力支持。