使用基于人工智能的建模,对传染性脑炎与自身免疫性脑炎进行差异诊断

科学领域:

• 神经科学是一个神经科学.
• 免疫学 免疫学 免疫学
• 人工智能的人工智能

背景情况:

• 脑炎是一种关键的中枢神经系统炎症性疾病,需要及时诊断才能获得良好的结果.
• 区分自身免疫和传染性脑炎是具有挑战性的,但对于有效治疗至关重要.
• 自身免疫性脑炎包括不同的表型和血清状况,使差异诊断复杂化.

研究的目的:

• 开发和验证基于人工智能 (AI) 的模型,以区分自身免疫性脑炎和传染性脑炎.
• 涵盖广泛的自身免疫性脑炎表现,包括瘤综合征和血清阴性病例.
• 提高诊断准确度,减少对脑炎病因的临床决策的不确定性.

主要方法:

• 对233名自身免疫性或传染性脑炎患者 (2016-2024) 的回顾性分析.
• 监督机器学习技术的应用,包括随机森林,用于模型培训.
• 使用Shapley添加式解释 (SHAP) 来实现模型的可解释性.

主要成果:

• 随机森林模型在区分脑炎病因方面取得了很高的性能,接收器操作特征曲线 (AUROC) 下的面积为0.966.
• 实验室,脑电图和临床数据被确定为分类中最重要的预测因素.
• 图像数据显示,对模型的分类准确度的贡献较小.

结论:

• 一个人工智能模型成功地开发出来,以区分传染性脑炎和血清阳性和血清阴性自身免疫性脑炎.
• 该模型有可能支持临床决策,特别是在没有检测到抗体的情况下,防止误诊.
• 这种人工智能工具可以减少诊断的不确定性,导致更及时和适当的患者管理.