《Diagnostics》：Diagnostic Accuracy of Machine Learning-Enhanced Methods for Pulmonary Hypertension: A Systematic Review and Meta-Analysis
编辑推荐：
中文翻译（摘要部分）
背景/目的： 右心导管检查（RHC）是肺动脉高压（PH）诊断的金标准，定义为静息状态下平均肺动脉压（mPAP）大于20 mmHg。该检查具有侵入性并存在操作风险。将机器学习（ML）和深度学习（DL）应用于无创检查手段，可能为筛查、分诊及早
中文翻译（摘要部分）
背景/目的： 右心导管检查（RHC）是肺动脉高压（PH）诊断的金标准，定义为静息状态下平均肺动脉压（mPAP）大于20 mmHg。该检查具有侵入性并存在操作风险。将机器学习（ML）和深度学习（DL）应用于无创检查手段，可能为筛查、分诊及早期识别提供无创辅助工具。方法： 采用QUADAS-2评估方法学质量。主要非比较性汇总分析仅限于经RHC确诊的研究，使用Reitsma分层双变量随机效应模型。比较性研究采用配对分层双变量模型进行分析，方法间差异通过配对Wald检验评估。估算灵敏度、特异度、似然比和诊断优势比；预测值作为次要结局进行评估。分别对非比较性ML/DL、比较性ML/DL及传统方法进行GRADE证据确定性评估。结果： 九项研究涉及多种肺动脉高压亚型，符合纳入标准：五项非比较性（单臂）研究，共约26,530名受试者；四项比较性（双臂）研究，每臂包含330名配对受试者。在仅限于RHC确诊单臂研究的主要汇总分析中，ML/DL模型的合并灵敏度为0.720（95% CI：0.647–0.783），合并特异度为0.883（95% CI：0.796–0.936），诊断优势比为19.4（95% CI：13.6–27.7）。纳入全部五项单臂研究时，估计值相似（灵敏度0.716，95% CI：0.654–0.771；特异度0.891，95% CI：0.820–0.937）。在采用配对分层双变量模型分析比较性研究时，ML/DL在灵敏度（0.838，95% CI：0.668–0.930 对 0.707，95% CI：0.421–0.889；配对Wald p = 0.019）和特异度（0.849，95% CI：0.512–0.968 对 0.640，95% CI：0.376–0.840；配对Wald p = 0.0076）方面均优于传统方法。在25%验前概率下，预计ML/DL每检测1000名患者可增加34例真阳性（95% CI：?30至109），减少142例假阳性（95% CI：?381至129），尽管所有绝对差异区间均跨越零值。所有结局的证据确定性均极低。GRADE确定性根据结局和分层不同，介于低至极低之间。结论： 基于ML/DL的方法在PH无创诊断准确性方面显示出良好前景，在配对比较中，其合并灵敏度和特异度显著高于传统方法。然而，证据确定性介于低至极低之间，预计的绝对获益仍不精确。这些发现具有假设生成性质；ML/DL工具可作为诊断路径中的辅助手段，但现阶段不能替代RHC。
论文主体内容总结
1. 引言
肺动脉高压（PH）定义为静息状态下右心导管检查（RHC）测得的平均肺动脉压（mPAP）大于20 mmHg，依据病理生理机制、临床特征、血流动力学特征及治疗方案分为五个临床分组。其临床表现常缺乏特异性，呼吸困难、乏力及运动耐量下降等症状与其他心肺疾病高度重叠，从症状出现到确诊的诊断延迟常超过一年。尽管治疗取得进展，肺动脉高压患者三年死亡率仍约为21%。诊断参考标准为RHC，可提供直接血流动力学评估并区分毛细血管前与毛细血管后病变，但其侵入性限制了作为常规一线检查的适用性。机器学习（ML）涵盖直接从数据中推导预测模型的计算系统，深度学习（DL）是基于多层人工神经网络的进一步子集。既往仅限于肺动脉高压（WHO第1组）的系统综述报告ML合并灵敏度约81%、特异度约84%，但既往证据未区分非比较性研究与头对头比较研究。本荟萃分析纳入WHO 1–4组及新生儿PH等多种亚型，分别分析单臂和双臂研究，采用分层双变量模型，并直接将ML/DL与传统诊断方法进行比较。
2. 方法
本研究遵循PRISMA 2020指南及PRISMA诊断试验准确性扩展声明，并在PROSPERO前瞻性注册。检索策略涵盖PubMed、Embase、Scopus、ScienceDirect和Cochrane Library，自建库至2025年10月，检索词结合肺动脉高压、人工智能及诊断方法相关关键词。纳入标准为任何年龄（含儿科和新生儿人群）的PH或PH亚型患者，ML/DL算法应用于影像、心电图、超声心动图、生理、临床或多模态数据，以RHC（mPAP > 20 mmHg）或经验证的超声心动图阈值作为参考标准，并报告至少一项可提取的诊断准确性指标。排除非英文文献、病例报告和病例系列、综述、社论、会议摘要及动物研究。数据由四名评审员独立提取，包括研究设计、国家、样本量、患者年龄、影像模态、ML模型架构、参考标准及所有诊断准确性统计量。方法学质量采用QUADAS-2评估，并在域1和域2中新增三项AI特异性信号问题：患者层面而非图像层面的训练/测试分割、阈值或超参数是否预先设定、是否存在数据泄漏。主要非比较性分析采用Reitsma分层双变量随机效应模型，比较性研究采用配对分层双变量模型，配对Wald检验评估组间差异。GRADE评估分别针对三个分析分层独立进行。
3. 结果
3.1 研究选择
五大数据源检索共识别3203条记录，去除1679条重复后筛选1524条，排除1387条。137篇全文评估中排除128篇，最终九项研究纳入综述。
3.2 研究特征与预期临床任务
五项单臂研究（Liu 2024；Salehi 2025；Shirahata 2025；Swinnen 2023；Ragnarsdóttir 2024）共约26,530名受试者，四项双臂研究（Hirata 2024；Imai 2024；Argiento 2024；Xie 2025）包含330对配对受试者。每项模型的预期临床任务预先分类为PH检测（一般）、PH亚型区分、RHC转诊筛查或新生儿PH检测。验证设计差异显著，涵盖独立外部验证、内部留出测试集、分层训练/测试分割及交叉验证等多种方式。
3.3 偏倚风险
QUADAS-2评估显示，Salehi 2025在所有域均评为低风险；Shirahata 2025、Ragnarsdóttir 2024和Imai 2024因患者选择问题评为高风险；Liu 2024因参考标准问题评为高风险。Ragnarsdóttir 2024因使用超声心动图而非RHC标准在域3亦评为高风险。Xie 2025、Swinnen 2023、Argiento 2024和Hirata 2024评为存在部分担忧。
3.4 主要单臂分析：RHC确诊研究
限定于RHC确诊的四项研究（Liu 2024；Salehi 2025；Shirahata 2025；Swinnen 2023），Reitsma双变量模型收敛，合并灵敏度为0.720（95% CI：0.647–0.783），合并特异度为0.883（95% CI：0.796–0.936），诊断优势比（DOR）为19.4（95% CI：13.6–27.7），阳性似然比（PLR）为6.16（95% CI：3.81–10.2），阴性似然比（NLR）为0.318（95% CI：0.27–0.378）。
3.5 敏感性分析：全部单臂研究
纳入全部五项单臂研究后，合并灵敏度为0.716（95% CI：0.654–0.771），特异度为0.891（95% CI：0.820–0.937），DOR为20.7（95% CI：14.8–29.1），表明纳入非RHC参考研究未实质性改变汇总结果。
3.6 按临床任务分层的单臂综合
PH检测（一般）层含两项研究（Liu 2024；Salehi 2025），合并灵敏度0.732（95% CI：0.603–0.831），特异度0.869（95% CI：0.686–0.953）。其余任务层均含单项研究，以叙述性方式综合：PAH与PH-LHD区分（Swinnen 2023）、CT-based PAH检测（Shirahata 2025）及新生儿PH检测（Ragnarsdóttir 2024）。
3.7 验证程序
Liu 2024和Swinnen 2023报告了独立验证队列，Ragnarsdóttir 2024使用单源队列的患者层面留出测试集，属内部留出测试而非外部验证。
3.8 比较性（双臂）研究：配对分层双变量分析
四项双臂研究（330对受试者）中，ML/DL合并灵敏度为0.838（95% CI：0.668–0.930），传统方法为0.707（95% CI：0.421–0.889），配对Wald p = 0.019；ML/DL合并特异度为0.849（95% CI：0.512–0.968），传统方法为0.640（95% CI：0.376–0.840），配对Wald p = 0.0076。对应合并DOR为ML/DL 29.3（95% CI：4.16–201）与传统方法4.27（95% CI：0.86–21.6）。
3.9 分层比较分析（模态、临床任务、年龄）
PH检测（一般）层中，Imai 2024（胸部X线）ML/DL特异度0.986对传统0.901，灵敏度0.933对0.833；Xie 2025（CTPA）ML/DL特异度0.929对传统0.429，灵敏度两臂均为0.909。PH亚型区分研究（Hirata 2024）和RHC转诊筛查研究（Argiento 2024）中，ML/DL在灵敏度和特异度上均超过传统比较器。年龄分层分析显示，较年轻队列中ML/DL特异度数值较高，较年长队列中ML/DL在灵敏度和特异度上均数值较高。
3.10 每1000名受检患者的预计影响（配对模型）
在25%验前概率下，ML/DL预计每1000名患者增加34例真阳性（95% CI：?30至109）、减少142例假阳性（95% CI：?381至129）；50%验前概率下对应差异为68例真阳性（95% CI：?60至218）和95例假阳性减少（95% CI：?254至86）；75%验前概率下为102例真阳性（95% CI：?90至327）和47例假阳性减少（95% CI：?127至43）。所有绝对差异区间均跨越零值。
3.11 稳健性：留一法与模型诊断
五研究单臂综合的留一法分析显示，排除任一研究后合并灵敏度介于0.676至0.751之间，合并DOR介于19.4至28.6之间，所有重算DOR点估计均落在完整模型DOR置信区间内。配对双臂模型中，每次重拟合ML/DL DOR点估计均超过传统臂估计。采用替代低性能模型的事后敏感性分析显示，合并灵敏度0.691（95% CI：0.622–0.754）、特异度0.875（95% CI：0.790–0.931）、DOR 16.5（95% CI：11.4–23.9），数值低于主要估计但置信区间重叠。
3.12 合并估计汇总
表3汇总了非比较性和配对比较分析的合并灵敏度、特异度、诊断优势比及似然比，附95%置信区间及适用时的配对Wald p值。
3.13 发表偏倚
由于各分析层内研究数量较少，无法可靠评估发表偏倚，但作为小型新兴证据领域仍存在一定担忧。
3.14 GRADE证据确定性
偏倚风险在所有六项结局中均评为严重，不一致性亦评为严重（I2 > 50%）。间接性在所有结局中评为不严重。精确性因结局而异：单臂灵敏度、单臂特异度及双臂ML/DL灵敏度评为不严重，双臂传统方法灵敏度、双臂传统方法特异度及双臂ML/DL特异度评为严重。确定性因此评为：单臂灵敏度、单臂特异度及双臂ML/DL灵敏度为低（⊕⊕??），双臂传统方法灵敏度、双臂传统方法特异度及双臂ML/DL特异度为极低（⊕???）。
4. 讨论
本荟萃分析在三个分析分层中综合了ML/DL增强方法无创检测PH的证据。单臂研究中合并灵敏度0.716、特异度0.891；配对比较分析中ML/DL在灵敏度和特异度上均显著高于传统方法（灵敏度p = 0.019；特异度p = 0.0076）。PLR为6.16表明阳性结果可中等至较大幅度提升验后概率，NLR为0.318表明阴性结果中等程度降低疾病概率但未达通常排除疾病所需的0.10阈值，因此ML/DL模型定位于辅助提高怀疑和指导RHC转诊，而非确定性诊断工具。证据确定性低至极低，反映回顾性设计、高异质性及小样本等局限。与既往文献相比，本研究的单臂合并灵敏度0.716略低于Fadilah等报告的81%，与更保守的双变量模型和更广泛的范围一致。临床意义方面，证据支持ML/DL作为PH诊断路径中无创辅助工具的潜在作用，特别是在验前概率富集方面，但当前证据基础尚不能证明临床采用合理，部署应以标准化参考标准和结构化护理路径的前瞻性外部验证为条件。
5. 局限性
本研究的局限性包括：证据基础小，仅九项研究且任何分析层不超过五项；GRADE确定性低至极低；患者人群、目标疾病、诊断模态、ML/DL架构、阈值和参考标准的结构性差异导致显著异质性；比较性研究样本量小（共约330名受试者）；RHC限定主要模型仅含四项研究；未进行元回归；PPV和NPV强依赖患病率且异质性显著（I2 > 77%）；独立外部验证有限；地理代表性有限；多模型研究的选择性报告偏倚无法完全消除。
6. 结论
本荟萃分析提供了比较ML/DL增强与传统方法诊断PH准确性的汇总证据。ML/DL方法在非比较性研究中表现良好（灵敏度0.716、特异度0.891、DOR 20.7），配对比较分析中在logit尺度上灵敏度和特异度的组间差异均达统计学显著（p = 0.019；p = 0.0076），对应25%验前概率下每1000名受检者增加34例真阳性、减少142例假阳性。然而，所有绝对差异置信区间均跨越零值，DOR差异未达统计学显著（p = 0.169），GRADE确定性低至极低。这些发现具有假设生成性质。ML/DL工具可作为无创辅助手段促进PH早期转诊，但现阶段不能替代右心导管检查，需开展标准化比较设计的前瞻性外部验证。
