基于有氧肺部疾病（如慢性阻塞性肺疾病（COPD）和肺部肿块（肺结节））和肺部肿块（肺结节））的分类分析，机器学习集成免疫

一项国际医学研究带来了新的发现，相关成果对疾病防治科普具有重要参考价值。强直性脊柱炎（AS）和肺部疾病（PD）的共病加重功能下降和加重疾病负担的风险分级和识别这些共病的风险因素是缺乏的。

本研究建立基于免疫相关细胞和免疫诱导标志物的ML模型来识别强直性脊柱炎和肺部疾病的共患病的风险因素。开发了和评估了四类机器学习算法，包括决策树、随机森林、XGBoost、和支持向量机(SVM)。这些算法被用于区分AS和AS+PD。

对肺部肿块(PN)和慢性阻塞性肺疾病(COPD)的子集分析被用于进行sensitivity分析，使用未被解释的数据。363 AS 患者入组，包括 193 AS 只和 170 AS+PD 患者（包括 123 伴有PN 和 47 伴有 COPD ）。LASSO 指数回归识别年龄、中性粒细胞（粒细胞）、IgG、ESR、CRP、NLR、PNR 和 PIV 作为关键预测变量（AS+PD））。

在总体人群中，SVM 模型表现出卓越的泛化能力和抵抗过拟合的能力，而随机森林和 XGBoost 则表现出过拟合。在亚组分析中，XGBoost成为AS+PN和AS+COPD最佳分类器，其良好的校正和净临床益是稳健性和一致性验证的直接证据。在AS+PN和AS+COPD肺部并发症AS患者中，显示有特定的免疫相关细胞和免疫介导标记物（特别是白细胞，IgG，NLR，和PI）。

在四种ML模型中，SVM表现出最佳的总体一般化，而XGBoost在PN和 COPD亚组表现出极高的性能。这些发现支持了将免疫-炎症标记与ML算法集成，以改善对当前肺部并发症状态的识别，以帮助AS肺部并发症状态的识别。

需要说明的是，以上内容依据国际公开研究成果整理，供健康科普参考，不构成诊疗建议。如有健康疑问，请咨询专业医务人员。