基于机器学习的诊断建模：利用实验室生物标志物区分淋巴组织增生与急性阑尾炎

《The American Journal of Surgery》：Machine Learning-Based Diagnostic Modeling for Differentiating Lymphoid Hyperplasia from Acute Appendicitis Using Laboratory Biomarkers

本研究通过回顾性分析873例患者的实验室指标，构建了逻辑回归、朴素贝叶斯等机器学习模型，评估了其区分急性阑尾炎（AA）与淋巴组织增生（LH）的性能。结果显示，逻辑回归模型AUC最高（0.918），SHAP分析表明淋巴细胞/单核细胞比值（LMR）和白细胞/淋巴细胞比值（NLR）是关键预测因子。结论为常规血液指标结合ML模型可有效鉴别AA与LH，适用于电子健康记录的临床决策支持系统。

　　

Erkan Karacan|H. Mehmet Kayili

土耳其卡拉布克大学医学院普通外科系

摘要

背景

本研究旨在评估常规实验室生物标志物的诊断能力，并开发机器学习（ML）模型，以提高对急性阑尾炎（LH）和淋巴组织增生（AA）的区分度。

方法

共回顾分析了873名患者（209例LH；664例AA）。使用CRP、白细胞（WBC）、中性粒细胞、淋巴细胞、单核细胞、NLR（中性粒细胞与淋巴细胞比值）、LMR（淋巴细胞与单核细胞比值）、PLR（血小板与淋巴细胞比值）和PIV（全身炎症值）等实验室参数，构建了逻辑回归、朴素贝叶斯、神经网络和梯度提升模型。诊断性能通过AUC、准确率、精确度、召回率和F1分数进行评估。

结果

所有生物标志物在LH和AA之间存在显著差异（p < 0.001）。AA患者的CRP、WBC、中性粒细胞计数、NLR、PLR和PIV水平较高，而LH患者的LMR值较高。逻辑回归模型的表现最佳（AUC 0.918；准确率0.869），其次是朴素贝叶斯模型（AUC 0.917）和神经网络模型（AUC 0.914）。基于SHAP的解释性分析进一步表明，LMR和NLR是影响模型预测的最重要因素。

结论

常规血液生物标志物结合基于机器学习的建模方法，为区分LH和AA提供了一种可靠且无创的工具。

部分内容摘录

引言

急性阑尾炎（AA）是导致急性腹痛的最常见原因之一，需要紧急手术，及时诊断对于防止穿孔、败血症和不必要的手术探查至关重要（1）。尽管影像学和实验室诊断技术有所进步，但区分AA与非手术性疾病（尤其是淋巴组织增生（LH）仍然具有挑战性（2）。LH是指阑尾内淋巴组织的良性增生反应，常见于...

研究设计与背景

这项基于数据库的观察性研究在一家三级转诊中心进行，研究对象为2020年1月至2025年11月期间接受阑尾切除术的患者。研究利用从医院电子病历系统中提取的回顾性数据，比较了急性阑尾炎和经组织病理学确认的淋巴组织增生的炎症和血液学特征。研究遵循相关伦理原则进行。

结果

共有873名患者纳入分析，其中209例（24.0%）患有淋巴组织增生（LH），664例（76.0%）患有急性阑尾炎（AA）。所有术前血液生物标志物的分布均显著偏离正常范围（Shapiro–Wilk检验p < 0.001）。因此，整个分析过程中采用了非参数统计方法。患者的 demographic 特征见表1。

讨论

本研究探讨了常规血液生物标志物与基于机器学习的模型结合在区分淋巴组织增生（LH）和急性阑尾炎（AA）中的诊断价值。先前研究表明，常用的炎症生物标志物（如中性粒细胞-淋巴细胞比值、血小板指数、C反应蛋白和白细胞计数）在诊断中具有一定的作用...

结论

本研究提出了一种利用血液学参数和机器学习模型区分淋巴组织增生和阑尾炎的新方法。所开发的机器学习模型可集成到临床决策支持系统（CDSS）中，帮助急诊医生实时区分阑尾炎（AA）和淋巴组织增生（LH）。由于这些模型依赖于常规可获得的实验室参数，因此适用于电子健康记录（EHR）系统。

研究局限性

本研究的主要优势在于评估了常规术前血液生物标志物在区分急性阑尾炎和淋巴组织增生方面的作用，无需依赖影像学检查，并使用了较大的患者队列以及多种机器学习模型进行综合性能评估。然而，其基于数据库的观察性设计和单中心研究可能限制了结果的普遍性，且研究对象仅限于...

作者贡献声明

H. Mehmet Kayili：撰写初稿、数据可视化、指导、软件开发、方法学设计。Erkan Karacan：撰写初稿、数据可视化、指导、软件开发、方法学设计、数据整理

未引用参考文献

6..

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。