一个基于超声波的机器学习模型,用于区分IgG4相关的肌炎和原发性Sjögren综合征
Huan-Zhong Su1, Long-Cheng Hong1, Yu-Hui Wu1
1Department of Ultrasound, The First Affiliated Hospital of Xiamen University, School of Medicine, Xiamen University, Xiamen, China.
International dental journal
|November 7, 2025
概括
使用超声波得分的可解释机器学习模型准确地区分了与免疫球蛋白G4相关的腺炎 (IgG4-RS) 与初级Sjögren综合征 (pSS),提供了一个非侵入性诊断工具.
科学领域:
- 类风湿病学 类风湿病学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 从临床上来说,区分免疫球蛋白G4相关的腺炎 (IgG4-RS) 和原发性肖格伦综合征 (pSS) 是一个挑战.
- 超声波 (美国) 发现对于评估唾液腺疾病至关重要.
研究的目的:
- 开发和验证可解释的机器学习 (ML) 模型,以使用美国评分来区分IgG4-RS和pSS.
- 为了确定预测IgG4-RS或pSS的关键美国特征.
主要方法:
- 一组263名IgG4-RS或pSS患者被分为训练和验证组.
- 最小绝对收缩和选择操作员 (LASSO) 回归确定了预测特征,并训练了各种ML模型.
- 用AUC,精度,灵敏度和特异性评估模型性能;用SHAP分析评估特征重要性.
主要成果:
- 光梯度增强机器模型在验证队列中实现了0.955的AUC.
- 关键的区分特征包括性别,口腔/眼睛干燥,腺体扩大和美国分数 (PGUS,SMGUS,SMGV).
- SHAP分析确定了美国的特定特征和预测PSS的临床症状.
结论:
- 使用美国评分的可解释的ML模型提供了一个准确且非侵入性的方法来区分IgG4-RS和pSS.
- 这种方法提高了唾液腺疾病的诊断能力.
