一个机器学习模型用于使用常规脑脊髓液和血清生物化学标记物预测橄克隆带阳性
Hazar Gözgöz1, Oğuzhan Orhan2, Başak Akan Konuk3
1Faculty of Medicine, Department of Clinical Biochemistry, Dokuz Eylul University, Izmir, Turkey.
American journal of clinical pathology
|December 6, 2025
概括
一个新的机器学习模型使用常规实验室测试准确地预测了橄克隆带 (OCB) 阳性. 这种人工智能方法提高了对内免疫球蛋白G合成评估的诊断准确性.
科学领域:
- 实验室医学 实验室医学
- 人工智能的人工智能
- 生化分析 生化分析
背景情况:
- 评估内免疫球蛋白G (IgG) 合成对于诊断神经疾病至关重要.
- 橄克隆带 (OCB) 阳性是关键指标,但目前的方法可以改进.
- 常规的大脑脊髓液 (CSF) 和血清生化标志物为预测建模提供了潜力.
研究的目的:
- 开发和验证一个机器学习 (ML) 模型来预测OCB阳性.
- 为了提高诊断准确性和评估内IgG合成的效率.
- 为了利用常规的CSF和血清生物化学标记物用于OCB预测.
主要方法:
- 一项涉及1709名参与者的回顾性研究.
- 使用CatBoost,XGBoost和LightGBM分类器开发一个集体ML模型.
- 培训和验证涉及5倍交叉验证和独立的内部和外部队列.
主要成果:
- 整体模型实现了0.902的ROC-AUC,超过了传统的IgG指数 (0.795).
- 在内部测试组中,最佳值的准确率为83.0%,灵敏度为71.4%,特异性为91.6%.
- 外部验证显示90%的准确性和96%的敏感性.
结论:
- 一个新的ML组合模型使用常规实验室数据准确预测OCB阳性.
- 该模型与IgG指数相比显示出更高的性能,在实验室医学中推进AI.
- 进一步的前性,多中心验证建议用于临床实施.
