结核病:在肺部超声基础上加入常规临床数据能否改善筛查?一项来自贝宁、纳入502例患者、测试集仅101例的预印本
一个由南非、贝宁和瑞士研究者组成的团队训练了一个神经网络来读取床旁肺部超声,并增加了第二个模型,利用年龄、发热、盗汗、HIV状态等常规临床数据来筛查结核病。在101例患者的测试集上,两个评分取平均后的AUROC为0.95,仅用影像为0.91,敏感度0.93,特异度0.76。这一提升是合理的,但并未得到证实:作者自己也指出其统计学上不具结论性(p = 0.10),而且全部数据来自同一家医院。
背景
结核病仍是全球致死率最高的传染病之一,而瓶颈往往在于筛查:撒哈拉以南非洲的许多卫生中心没有放射科医生,有时甚至没有X光机。床旁肺部超声(POCUS,point-of-care ultrasound)是一条有吸引力的路径:便携探头价格低廉、无辐射,算法还能辅助训练不足的操作者。此前的研究已经表明,deep learning(深度学习)可以在这类图像上识别结核病征象。
本研究提出的问题更为朴素但非常实用:既然临床医生本来就掌握患者的基本信息,那么算法在图像之外再利用这些信息能获得多少增益?作者使用其团队此前已发表的队列,这次加入了一组临床变量,并扩大了结核病病例的定义。
方法
数据。 502名有呼吸道症状的患者在贝宁科托努的CNHU-PPC大学医院入组,仅此一个研究中心。每位患者接受标准化的14点胸部超声方案(平均每人27次采集,范围10至33次)。参考标准是痰液Xpert MTB/RIF Ultra分子检测(检测结核杆菌DNA);临床诊断(症状、影像、转归)的患者也被计为阳性。共有224名患者被标记为结核病。数据被划分为五个交叉验证折(每折约80例;该技术轮流以不同子集进行训练和验证)以及一个固定的101例测试集,其中43例为结核病。
图像模型。 采用ResNet-18(经典卷积网络),输入为224 × 224灰度图像。多示例学习(multi-instance learning)方案将同一患者的图像视为一个集合:14个解剖位置各有自己的表示,再通过加性注意力机制对图像加权,最后每位患者只有一个决策层。
临床变量。 分为三类:28个自述变量(咳嗽、体重减轻、发热、盗汗、既往结核病等),13个测量变量(血氧饱和度、心率、血压、体温、淋巴结肿大等),以及3个来自床旁快速检测的变量(HIV、疟疾快速检测及其是否已做)。贪心序贯选择为最佳模型保留了18个变量。
融合。 比较了三种策略:在决策前拼接两种表示、对两个概率取平均、或在两个模型的输出上训练逻辑回归。主要指标是AUROC(ROC曲线下面积:模型给随机抽取的结核病患者打出比非结核病患者更高分数的概率)。
结果
机器学习指标。 在测试集上,仅用图像的模型AUROC为0.91 [95% CI 0.86–0.96]。仅用临床变量并经变量选择的模型为0.88至0.89。最佳融合(三类变量、变量选择、评分平均)达到0.95 [0.91–0.99];逻辑回归为0.94,拼接为0.93。以开发阶段90%敏感度确定的阈值,融合模型在测试集上的敏感度为0.93 [0.81–0.98],特异度为0.76 [0.63–0.85]。相较仅用图像约提升4个AUROC点,p = 0.10:不能排除偶然。床旁快速检测变量贡献很小,单独使用几乎没有区分能力(开发集AUROC 0.57)。
临床转化。 将这些数字应用于结核病比例与测试样本相同(43%,即426例)的1000名患者:约396例被检出,30例漏诊(假阴性);在574名非结核病患者中,约138人会被误转诊做确认检查(假阳性)。但敏感度的置信区间(0.81–0.98)意味着漏诊可能在9至81例之间。在患病率较低的大规模筛查中,例如10%(示例,非论文数据),相同的比率将给出每1000人约7例漏诊,但约216例假阳性:假阳性将成为真正的运营问题。作者称这些数值符合世界卫生组织对分诊检测的目标,但这些目标通常需要比101例测试集窄得多的置信区间来评估。
优点
务实的问题。 本研究没有去追求新模型,而是衡量问诊中已收集信息的价值,以及哪些信息无用。变量选择的结果(18个变量即可,省去27个额外数值的录入)可直接用于设计轻量工具。
简单且经比较的融合方式。 测试了三种方法,最简单的(评分平均)表现最好或与其他方法相当。这是一个诚实的结果,避免了不必要的复杂性。作者还指出,其他变体(最大值、最小值、校准)没有帮助。
数据与伦理的透明度。 研究已注册(NCT05423847),获伦理委员会批准,每位参与者均签署书面知情同意。数据可在数据使用协议下通过Hugging Face获取用于研究。设备制造商(Butterfly)声明未参与资助、数据收集、分析或结论;资金来自欧盟(EDCTP3)、瑞士和瑞士肺病协会。
不足
测试集极小,增益未获证实(误导性指标)。 101例患者、43例结核病:置信区间很宽,4个AUROC点的增益未达显著性阈值(p = 0.10)。此外,决策阈值由开发数据设定,操作性能(敏感度0.93,特异度0.76)建立在极少的病例之上。
单一医院,无外部验证(人群偏倚)。 502名患者来自科托努的一家结核病转诊中心:患病率高(队列中为45%),患者因呼吸道症状转诊,仅一种探头。无法保证模型在基层卫生中心、不同操作者或不同患病率下仍然有效。作者未报告外部验证,也未提及代码。
病例定义变化,变量可能与参考标准纠缠(信息泄漏与标签噪声)。 “临床诊断”的患者被计为阳性:这一诊断可能正是基于模型所用的症状和影像作出的,这会使临床变量看起来具有虚高的预测力。论文并未分析这一点。此外,该定义与该团队此前在同一队列上的工作不同(后者仅计入细菌学确诊病例,AUROC 0.91),使比较变得复杂。最后,论文没有专门的局限性章节,也没有明确说明划分是在患者层面进行的。
影响
对研究界。 论文提供了有用的比较框架(仅超声、仅临床、融合)和可获取的数据集。后续需要更大的样本、多个中心,最好还有模型在测试前被冻结的前瞻性评估。
对临床医生。 目前没有任何改变:这是未经同行评审、没有外部验证的预印本。实际的启示主要是,问诊中的少量信息(体重、发热、盗汗、既往史、HIV状态)似乎能补充影像,这提醒我们算法不能取代病史采集。
对患者和公众。 AI辅助肺部超声有朝一日可能在没有放射科医生的地方帮助分诊,但它目前还不是经过验证的工具。分诊阳性不等于诊断:它只是指向确认检查。
延伸阅读
预印本:arXiv:2610.06034(2026年10月5日提交,第1版,未经同行评审)。作者:Joshua M. Jansen van Vüren、Christiaan M. Geldenhuys、Devendra S. Parihar、Véronique Suttels、Trevor Brokowski、Ablo P. Wachinou、Mary-Anne Hartley、Rensu P. Theart、Grant Theron 和 Thomas R. Niesler。数据集:Hugging Face上的AI-POCUS-COP/ultrai-lung-ultrasound(需数据使用协议)。临床研究:NCT05423847。同一团队的相关工作:arXiv:2610.03290(用于肺部超声的超声心动图预训练)。
编辑透明度声明:本文借助人工智能工具根据预印本文本制作;除每1000名患者的换算由编辑部计算外,所有数字均来自论文。英文、西班牙文和中文版本为机器翻译。