机器学习在中国儿童甲状腺疾病的淋巴细胞和免疫生物标志物分析中
Ruizhe Yang1, Wei Li2, Qing Niu3
1Department of Public Health, Children's Hospital of Nanjing Medical University, Nanjing, 210008, China.
BMC pediatrics
|March 29, 2025
概括
这项研究分析了甲状腺疾病儿童的免疫细胞生物标志物,发现特定的淋巴细胞和蛋白质与自身免疫性甲状腺疾病相关. 一个机器学习模型有效地区分了这些条件,帮助临床诊断.
科学领域:
- 儿科内分泌学 儿科内分泌学
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
背景情况:
- 儿童甲状腺疾病,包括格雷夫斯病 (GD) 和哈希莫托甲状腺炎 (HT),往往是自身免疫性质的.
- 了解免疫系统的作用,特别是淋巴细胞和免疫子集的表达,对于诊断和管理至关重要.
- 现有的临床指导方针可能会从对这些疾病的发病因子的更深入了解中受益.
研究的目的:
- 在患有甲状腺疾病的儿童中描述和分析淋巴细胞和免疫子集表达.
- 开发和评估一种机器学习 (ML) 模型,根据临床特征预测甲状腺疾病.
- 为改善关于儿童甲状腺疾病病变的临床指南提供见解.
主要方法:
- 中国的一项横截面研究,涉及139名住院儿童,诊断出甲状腺疾病 (GD,HT,甲状腺功能低下症) 和283名健康对照.
- 对11个血清生化指标的分析以及淋巴细胞和免疫子集的测量.
- 开发和评估9个ML算法,包括后勤回归,使用AUC等指标来预测性能.
主要成果:
- 格雷夫斯病例显示CD3-CD19+和CD3+CD4+T淋巴细胞增加,CD4+/CD8+比率更高.
- 与对照人群相比,GD和HT病例均表现出较高的补充C3c,IgA和IgG水平.
- 后勤回归成为区分甲状腺疾病的表现最好的ML模型.
结论:
- 特定的淋巴细胞和生物标记物,包括补充蛋白 (C3c,C4) 和免疫球蛋白 (IgG,IgA,IgM),与儿童自身免疫性甲状腺疾病 (AITD) 有显著的关联.
- 开发的ML模型在区分儿童甲状腺疾病方面表现出有效性.
- 进一步提高模型准确性可能需要结合额外的临床数据,如成像结果.
