使用常规临床数据和机器学习对湿疹和牛皮的差异诊断:在多中心门诊队列中开发基于网络的工具
Ning Ding1, Yinhao Li2, Zheng Zhao2
1Department of Dermatology, Shengjing Hospital, China Medical University, Shenyang, China.
Frontiers in medicine
|November 3, 2025
概括
一个新的机器学习工具使用常规实验室数据准确地区分湿疹和牛皮,为活检提供了一个非侵入性的替代方案. 这种诊断辅助工具支持门诊机构的临床医生.
科学领域:
- 皮肤病学 皮肤病学
- 计算生物学 计算生物学
- 医学诊断 医学诊断 医学诊断
背景情况:
- 湿疹和牛皮呈现重叠的症状,使差异诊断复杂化.
- 像活检这样的传统诊断方法是侵入性的,并且不总是适合常规使用.
- 在初级保健机构中需要非侵入性,易于使用的诊断工具.
研究的目的:
- 开发和验证用于区分湿疹和牛皮的机器学习模型.
- 使用常规实验室数据进行非侵入性诊断.
- 创建一个实用,用户友好的工具,用于门诊临床决策支持.
主要方法:
- 对超过57,000名患者的临床和实验室数据进行了回顾性分析.
- 训练和评估八个机器学习模型,XGBoost被选为表现最佳的模型.
- 使用SHAP的XGBoost模型和特征重要性分析的外部验证.
- 开发一个基于网络的工具,用于输入数据的光学字符识别 (OCR).
主要成果:
- 在训练和验证集中,XGBoost模型实现了高性能 (AUC从0.812到0.891不等).
- 关键的分化实验室标志物包括dNLR,中性粒细胞数量,SIRI,RDW和异osinophil数量.
- 开发的网络工具提供了对湿疹与牛皮的实时预测概率.
结论:
- 应用于常规实验室数据的机器学习提供了一种强大,可解释的方法来区分湿疹和牛皮.
- 开发的工具为临床医生提供了准确的,非侵入性的诊断支持.
- 这种方法增强了门诊诊所的差异诊断能力.
