# 基于阴道微生物组的人工神经网络模型预测细菌性阴道病发病风险

《PLOS Computational Biology》：Predicting bacterial vaginosis incidence using artificial neural networks

　　

**摘要**

**背景** 细菌性阴道病（Bacterial Vaginosis, BV）是一种与不良生殖结局和感染性疾病相关的阴道菌群失调症。现有诊断方法在症状出现后才能识别BV。研究人员评估了基于阴道微生物组的人工神经网络（Artificial Neural Network, ANN）模型是否能够在临床诊断前14天内预测细菌性阴道病发病（incident BV, iBV）。

**方法** 利用来自两个前瞻性队列的58名女性的1201份纵向阴道标本的16S rRNA基因测序数据训练ANN模型。模型利用阴道细菌分类群的相对丰度将单个标本分类为iBV前期（pre-iBV）或健康状态。采用保留参与者水平的测试集、参与者水平的交叉验证和外部验证评估模型性能。采用SHAP（SHapley Additive exPlanations）分析识别与模型预测相关的分类群。

**结果** 在保留参与者水平的测试集上，ANN模型准确率达到93%（曲线下面积（Area Under the Curve, AUC）=0.97，灵敏度=95%，特异度=92%）。仅使用五个分类群（卷曲乳杆菌（Lactobacillus crispatus）、加德纳菌属（Gardnerella spp.）、惰性乳杆菌（L. iners）、L. mulieris和巨单胞菌属（Megamonas spp.））的模型保持了>91%的准确率、灵敏度和特异度。SHAP分析显示乳杆菌属（Lactobacillus spp.）和加德纳菌属（Gardnerella spp.）是与模型预测关联最强的分类群。参与者水平交叉验证产生的性能较低且变异较大（AUC=0.826±0.076；准确率=71.5%±8.2%），而外部验证达到约80%的平衡准确率。

**解读** 阴道微生物组组成包含可预测iBV风险的预测信息，能够在临床发病前识别面临iBV风险的女性。参与者水平交叉验证和外部验证中较低的性能表明，在临床实施前需要在更大规模、更具多样性的队列中进行额外验证。

# 论文解读：基于人工神经网络模型预测细菌性阴道病发病风险

## 一、研究背景与科学问题

细菌性阴道病（Bacterial Vaginosis, BV）是全球最常见的阴道感染，约30%的育龄期女性受其影响。BV是一种阴道菌群失调症（vaginal dysbiosis），与多种不良健康结局相关，包括不孕不育、不良出生结局、人类免疫缺陷病毒（HIV）和其他性传播感染（Sexually Transmitted Infections, STIs）的感染风险增加、盆腔炎性疾病以及妇科术后盆腔感染风险升高。尽管大量观察性和干预性数据表明BV具有性传播特征，但其发病机制仍存在争议：BV究竟源于单一关键病原体的获得、多种致病菌的多微生物联合体，还是保护性乳杆菌的耗竭进而导致BV相关细菌（BV-associated bacteria, BVAB）的继发定植。

现有临床诊断方法（如Nugent评分和Amsel标准）仅在症状出现后才能识别BV，无法在菌群失调的早期阶段进行预测和预警。目前美国食品药品监督管理局（FDA）批准的BV分子诊断产品均仅授权用于有症状女性，这限制了早期干预的可能性。因此，开发能够在BV临床发病前识别高危个体的预测工具，对于实现预防性干预具有重要临床意义。将机器学习技术应用于阴道微生物组数据，为通过建模菌群动态变化来预测细菌性阴道病发病（incident BV, iBV）提供了新机遇。

## 二、研究方法概述

研究人员利用来自两个前瞻性iBV发病机制研究队列（Cohort A和Cohort B）的共58名女性（32名发生iBV者和26名健康对照）的1201份自采阴道标本进行分析。Cohort A纳入非洲裔美国女性中与女性发生性行为者（women who have sex with women, WSW），每日采样一次；Cohort B纳入多种族背景的与男性发生性行为者（women who have sex with men, WSM），每日采样两次。经阴道细菌分类学鉴定和低丰度/非阴道/未分类类群过滤后，保留20个阴道微生物分类群用于分析。研究人员采用TensorFlow和Keras框架构建ANN模型，以单个阴道标本的细菌分类群相对丰度为输入特征，将标本分类为iBV前期（pre-iBV，iBV发病前14天内采集）或健康状态。模型评估采用三种互补策略：保留参与者水平的测试集评估、参与者水平的三折交叉验证和独立外部队列验证。采用SHAP（SHapley Additive exPlanations）分析解释模型预测中各个细菌分类群的贡献。此外，还进行了最小特征分析、种族分层分析和中心对数比（centered log-ratio, CLR）变换的敏感性分析。

## 三、主要研究结果

### （1）ANN模型对iBV的早期预测性能

在保留参与者水平的测试集上，最终的ANN模型对单个阴道标本的分类准确率达到93%，灵敏度为95%，特异度为92%，AUC为0.97，Cohen's kappa系数为0.86。Cohort A标本的平均分类准确率为94%，Cohort B为93%。训练集性能与测试集相似，平均训练准确率为92%。进一步分析预测窗口内的分类表现发现，模型正确分类了97%的早期pre-iBV标本（发病前6–14天）和77%的晚期pre-iBV标本（发病前1–5天），表明预测性能在较早的时间点更高。

### （2）参与者水平交叉验证性能

为减少对单次训练/测试划分的依赖，研究人员在训练数据集内进行了参与者水平的三折交叉验证。交叉验证产生的性能估计显著低于且变异大于保留测试集结果：ANN的平均AUC为0.826±0.076，准确率为71.5%±8.2%。逻辑回归（AUC=0.769±0.176）和随机森林（AUC=0.739±0.127）的性能也低于ANN。这些发现表明，单次训练/测试划分得出的性能估计可能偏于乐观。

### （3）模型基准测试

在相同的参与者水平数据划分和特征集下，ANN、逻辑回归和随机森林均展示了预测能力。ANN的分类错误率相较对比模型降低了超过两倍，虽然各模型间分类准确率的绝对差异不大（ANN: 0.977；逻辑回归: 0.942；随机森林: 0.931）。

### （4）微生物特征在pre-iBV分类中的作用

SHAP分析揭示了与模型预测最相关的细菌分类群。较高的卷曲乳杆菌（L. crispatus）、惰性乳杆菌（L. iners）、L. mulieris和加氏乳杆菌（L. gasseri）相对丰度与模型预测健康分类相关；而较高的加德纳菌属（Gardnerella spp.）和Megasphaera lornae相对丰度与模型预测pre-iBV分类相关。由于相对丰度数据具有组成性特征，这些关联应理解为模型在整体阴道微生物群落背景下的行为反映，而非单个分类群的独立生物学效应。

### （5）最小特征分析

研究人员通过训练仅使用3、5、7、9和12个最重要特征的模型，评估了准确分类所需的最少分类群数量。使用前三个最重要特征（L. crispatus、Gardnerella spp.、L. iners）的模型训练准确率为87.6%，测试准确率为89.6%。使用前5、7、9和12个特征的模型实现了90%–93%的训练准确率和91%–97%的灵敏度，表明纳入额外分类群可提升对pre-iBV标本的分类性能。在所有n特征模型中，L. crispatus和Gardnerella spp.始终是最重要的两个细菌分类群。

### （6）外部验证性能

在由27名参与者的421份阴道标本组成的独立外部队列中，20特征模型的平衡准确率降至约80%，AUC为0.83。性能下降伴随着灵敏度升高和特异度降低的趋势，表明模型在该数据集中倾向于过度预测pre-iBV。外部队列与训练队列在iBV病例定义、地理区域、采样频率、人口学特征和微生物组成方面存在重要差异，这些因素可能共同导致了性能下降。

### （7）种族特异性模型

研究人员分别使用黑人参与者（B-Model，n=811份标本）和白人参与者（W-Model，n=380份标本）的标本训练了种族特异性模型。W-Model在训练和测试集上均达到≥94%的准确率，B-Model达到≥90%的准确率。在两种种族特异性模型中，L. crispatus和Gardnerella spp.始终是最重要的预测特征。值得注意的是，在B-Model中，L. iners排名第三但未显示出与健康或pre-iBV状态的明确关联方向，而在W-Model中L. iners更常与健康分类相关。由于白人亚组的参与者数量有限（训练9人，测试5人），这些结果应被视为探索性和假设生成性的。

## 四、讨论与结论

本研究开发的ANN模型能够利用单个阴道标本在iBV临床发病前14天内对其进行预测。尽管保留测试集表现出高分类准确率，但参与者水平交叉验证和外部验证产生了显著较低的性能估计，表明模型在不同人群间的泛化能力尚不完整。模型对预测窗口内较早时间点标本（发病前6–14天）的分类准确率更高，提示该模型可能更善于识别与菌群失调启动相关的早期微生物变化，而非紧邻诊断前的状态。因此，该模型的预期临床用途可能是风险分层而非即将发生的疾病诊断——被识别为高风险的个体可接受加强监测、行为干预、活体生物治疗药物或其他预防策略。

SHAP分析识别的关键分类群与现有iBV发病机制概念模型一致：保护性乳杆菌的早期丧失和加德纳菌属等BV相关类群的扩张。最小特征分析表明，仅需少量关键分类群即可实现较高准确率的预测，提示靶向qPCR检测5–7种微生物可能是复杂测序分析的可行替代方案。种族分层分析强调了宿主人口学和微生物多样性在模型开发中的重要性。外部验证性能的下降以及模型校准在外部队列中的偏移，进一步强调了在临床部署前开展更大规模、前瞻性、统一设计的外部验证研究的必要性。

**研究结论翻译**：机器学习方法能够识别iBV发病前的预测性微生物组信号。虽然保留测试集性能较高，但参与者水平交叉验证和外部验证产生了更为保守的性能估计，凸显了在临床实施前需要在更大规模独立队列中进行额外验证。外部验证显示性能相较内部测试显著下降，表明模型跨人群的泛化性仍不完整，尚不能支持广泛的临床部署。研究人员的发现提供了初步证据，表明模型性能和pre-iBV的微生物预测因子可能因人口学亚组而异，尽管这些观察需要在更大规模、更多样化的人群中验证。由于本研究评估的是标本水平而非参与者水平的预测，未来工作应确定如何整合重复的标本水平预测以支持参与者水平的临床决策和风险分层。此外，这些结果支持了iBV由乳杆菌属耗竭和加德纳菌属富集介导的假说。iBV的早期预测可在临床发病前识别个体，此时预防性干预可能最为有效，从而可能在进展为iBV之前实施活体生物治疗药物、预防性抗生素和行为调整等预防策略。整合能够早期预测阴道疾病的个性化微生物组诊断方法，有望革新BV和其他重要阴道健康疾病的管理模式。