过敏性皮炎、食物过敏、过敏性鼻炎和哮喘是儿童中常见的过敏性疾病，这些疾病具有异质性，并可能在其发展过程中共存，同时与其他疾病、环境因素及遗传因素呈现复杂的关联。揭示这些复杂的关系，识别临床上可区分的群体和可操作的风险因素，有助于加深对疾病的理解，进而改善临床管理，造福社会和患者家庭。人工智能（AI）作为一种有前景的工具，能够在复杂数据中发现有意义的模式。尽管已有不少研究将AI应用于儿童过敏性疾病，尤其是在表型识别和未来疾病预测模型的开发方面，但大多数研究使用的数据相对简单，且在方法学上存在不足。本研究的目的是为儿童过敏性疾病的AI研究提供实践指导，重点介绍AI概念、技术，以及研究过程中常见的误区和解决方法。

本研究回顾了AI在儿童过敏性疾病研究中的应用，提出了一个构建AI研究管道的蓝图。首先，介绍了AI的基本概念和技术，重点讨论了机器学习（ML）和深度学习（DL）在医疗研究中的应用。然后，系统地讲解了AI研究管道的结构，包括变量选择、数据预处理、模型训练、评估和结果解释等步骤。在数据预处理阶段，强调了特征工程和降维技术，如主成分分析（PCA）和相关性矩阵的使用。接着，分析了不同的机器学习模型，如监督学习、无监督学习及强化学习，并介绍了常见的模型评估方法。在实际应用中，AI的挑战不仅来自数据的质量和复杂性，还包括如何合理设计AI实验以确保结果的可靠性与泛化能力。研究还讨论了如何避免过拟合和欠拟合问题，如何在模型中引入公平性以避免偏差，以及如何通过交叉验证提高模型的稳健性。此外，本研究还提出了AI应用于儿童过敏性疾病的潜在局限性，强调了数据隐私和模型可解释性等问题。

本研究回顾并总结了多项AI在儿童过敏性疾病中的应用案例。许多研究表明，AI在儿童过敏性疾病的表型识别方面具有显著的潜力。例如，某研究通过机器学习算法分析大规模数据集，成功识别出与哮喘相关的特定免疫表型，并建立了预测疾病进展的模型。其他研究则利用无监督学习方法识别了过敏性皮炎患者的不同亚型，并提供了个性化的治疗建议。此外，AI还被广泛用于构建多中心合作平台，通过结合多组学数据（如基因组数据、临床数据和环境数据），提高了疾病预测模型的准确性。例如，一项涉及3000名儿童患者的研究表明，基于AI的哮喘预测模型准确度达到了85%以上，显著高于传统方法。然而，目前大多数研究仍面临数据多样性不足、样本量限制和AI模型的黑箱问题，限制了其应用的普遍性和临床转化。为了克服这些挑战，研究建议采用深度学习算法和大规模、多中心的合作研究，特别是将深度学习与多组学数据相结合，以获得更全面的疾病理解。

机器学习的子领域按学习机制划分

人工智能在儿童过敏性疾病研究中的应用前景广阔，已经在表型识别和疾病预测模型等方面取得了一些初步成果。然而，现有的研究主要局限于较简单的数据源，且方法学上存在一定缺陷。为了充分发挥AI的潜力，未来研究需要更加注重数据的多样性和算法的复杂性，尤其是应加强深度学习和多组学数据的结合。同时，研究者需要克服AI模型的可解释性问题，并解决数据隐私和偏差问题，确保AI应用能够在临床上取得实际效果。

原始出处：

Artificial intelligence in pediatric allergy research. Eur J Pediatr 184, 98 (2025). https://doi.org/10.1007/s00431-024-05925-5

Tags： Eur J Pediatr：人工智能在儿童过敏性疾病研究中的应用与挑战