慢性嗜酸性粒细胞性肺炎（CEP）是一种与嗜酸性粒细胞相关的特发性肺部疾病，常与慢性鼻窦炎（CRS）共存。然而，CEP与CRS共病的关键临床特征尚未明确。本研究旨在通过机器学习方法识别CRS患者合并CEP的预测特征，为临床诊断提供依据。研究团队回顾性收集了372例CRS患者的临床数据，其中21例合并CEP，通过机器学习模型分析了两组患者的差异特征，并探讨了模型的预测性能与可解释性。

研究采用了两种机器学习方法：一种侧重于高预测性能，另一种侧重于高可解释性。在预测性能方面，研究比较了四种机器学习模型，包括随机森林（RF）、极端梯度提升（XGBoost）、逻辑回归（LR）和支持向量机（SVM）。结果显示，XGBoost和RF的预测性能最优，曲线下面积（AUC）分别达到0.966和0.957，显著优于LR和SVM。

图1 | 代表性X线、CT和内镜检查结果。一名39岁女性患者，诊断为ECRSSNPs合并CEP

为了处理数据不平衡问题，研究还应用了成本敏感学习（CSL）和合成少数类过采样技术（SMOTE），但发现这些方法对XGBoost和RF的性能提升有限。在可解释性方面，研究使用决策树（DT）和SHapley Additive exPlanations（SHAP）方法提取关键特征。

图2 | CRS合并与不合并CEP患者血液检测数据的比较

DT生成的分类规则显示，血液嗜酸性粒细胞计数≥1446/μL、白细胞计数≥9.25×10³/μL和C反应蛋白（CRP）≥0.335 mg/dL是区分CRS是否合并CEP的三大关键特征。SHAP分析进一步验证了这些特征的重要性，并揭示了它们在模型预测中的贡献程度。

图3 | 四种机器学习模型的平均AUC值比较

研究结果还显示，合并CEP的CRS患者中，82%被诊断为嗜酸性粒细胞性CRS（ECRS），且40%为无鼻息肉的ECRS（ECRSSNPs）。这些患者的血液嗜酸性粒细胞计数显著升高，且多伴有中重度嗜酸性粒细胞增多症。

图4 | 用于检测CRS患者合并CEP的决策树

此外，CEP患者的体重指数（BMI）较低，且鼻窦CT评分呈现较大的变异性，提示其炎症模式可能与嗜酸性肉芽肿性多血管炎（EGPA）相似。研究还发现，CEP患者的CRP和IgE水平显著升高，而中性粒细胞和淋巴细胞比例较低，进一步支持了嗜酸性粒细胞在疾病发病机制中的核心作用。

图5 | 使用原始XGBoost的SHAP蜂群图

本研究的结论强调了血液嗜酸性粒细胞计数作为CRS合并CEP的最关键预测指标的重要性。研究提出的决策树算法为临床医生提供了一种直观的诊断工具，当CRS患者满足血液嗜酸性粒细胞计数≥1446/μL等条件时，应考虑合并CEP的可能性，并进一步进行鼻窦活检和胸部影像学检查。此外，研究还指出，未来需要通过多中心研究验证这些预测模型的普适性，并探索CEP与CRS共病的潜在分子机制，以指导精准治疗。

原始出处：
Ishikawa, M., Jiang, Z., Nguyen, C. H., Hatsukawa, H., Hirai, T., Matsumoto, H., Saito, E., Okazaki, K., Endo, K., Terada, S., & Mamitsuka, H. (2025). Uncovering Key Features for Predicting Comorbid Chronic Eosinophilic Pneumonia in Chronic Rhinosinusitis via Machine Learning. International Forum of Allergy & Rhinology, 0, 1–12. https://doi.org/10.1002/alr.23613

Tags： International Forum of Allergy & Rhinology：机器学习揭示慢性鼻窦炎合并慢性嗜酸性粒细胞性肺炎的关键预测特征