机器学习赋能类固醇谱分析：先天性肾上腺类固醇生成障碍的快速诊断新策略

研究亮点

• 机器学习决策树整合经液相色谱-串联质谱法（LC-MS/MS）测得的血浆类固醇激素谱，实现先天性肾上腺类固醇生成障碍（congenital disorders of adrenal steroidogenesis，CDAS）的快速且精准的病因学诊断。
• 该模型在大型开发队列中对多种 CDAS 亚型均取得超过 97% 的准确率，且具有较高的敏感度和特异度，并已获得独立验证。
• 识别出的关键判别性类固醇包括 11-脱氧皮质醇、17-羟孕酮、21-脱氧皮质醇和皮质酮，这些指标可在生物学上合理地区分不同亚型。
• 该方法提供了一种具有临床可解释性、可扩展的工具，有助于提升儿科内分泌诊断水平，并促进早期靶向干预。

研究背景

先天性肾上腺类固醇生成障碍（CDAS）是一组罕见的遗传性疾病，由肾上腺类固醇生物合成相关酶缺陷所致。这些缺陷可导致多种激素失衡，并引发潜在危及生命的并发症，包括失盐、外生殖器模糊和肾上腺危象，尤以婴儿期更为突出。及早且准确的病因学诊断对于启动恰当的激素替代治疗、预防发病和死亡并改善长期健康结局至关重要。然而，由于临床表现重叠且类固醇代谢通路复杂，常规生化检测和基因分析在日常临床环境中可能耗时、成本较高，且有时无法得出明确结论。

液相色谱-串联质谱法（LC-MS/MS）可同时定量多种血浆类固醇激素，提供反映酶缺陷的详细类固醇谱。然而，对这类复杂的多维数据进行解释需要专业经验与时间。

将机器学习技术整合至临床内分泌学，为自动化并加速诊断流程提供了可行路径。通过挖掘类固醇谱中的模式，机器学习算法可对 CDAS 亚型进行客观、快速且可解释的诊断分类，回应儿科内分泌领域尚未满足的临床需求。

研究设计

本研究开发并验证了一种机器学习辅助的决策树模型，用于基于 LC-MS/MS 测得的血浆类固醇激素谱对 CDAS 亚型进行分类。

开发队列共纳入 1,027 名参与者，包括 325 例经基因确诊的 CDAS 患者，涵盖 8 种不同亚型，以及 702 名无肾上腺病变的对照受试者。采用标准化 LC-MS/MS 流程定量检测广泛面板的血浆类固醇激素水平。

在模型构建中，采用轻量级梯度提升机（Light Gradient Boosting Machine，LightGBM）算法识别对亚型区分贡献最大的类固醇激素，并将这些关键激素纳入一个可解释、经优化的决策树分类器。

通过在开发数据集内进行严格的 5 折交叉验证评估内部模型性能。随后，使用包含 507 份 LC-MS/MS 类固醇谱的独立验证队列对该决策树的诊断准确率、敏感度和特异度进行外部验证。

此外，还开展了 Shapley 加性解释（SHAP）用于特征重要性评估，利用混淆矩阵可视化诊断表现，并采用主成分分析（Principal Component Analysis，PCA）和统一流形近似与投影（Uniform Manifold Approximation and Projection，UMAP）等降维技术探索类固醇谱的生物学聚类特征。

主要结果

该机器学习辅助决策树模型在开发队列和验证队列中均表现出优异的诊断性能。

在开发队列中，模型的总体平均准确率为 97.1%，敏感度为 99.5%，特异度为 93.7%。宏平均曲线下面积（macro-AUC）为 0.97，显示出卓越的区分能力。对于多数主要 CDAS 亚型，其亚型层面的诊断准确率均超过 98%，体现出模型在不同酶缺陷背景下的稳健性。

在验证队列中，模型仍保持 98.9% 的高诊断准确率，敏感度为 93.6%，特异度达到 99.8%，证实其在独立样本中的泛化能力。

通过 SHAP 值进行特征重要性解释发现，驱动分类的最关键激素包括 11-脱氧皮质醇（皮质醇前体）、17-羟孕酮、21-脱氧皮质醇和皮质酮。这些类固醇直接反映肾上腺类固醇生成通路中受累的酶学步骤，因此其判别能力具有明确的生物学合理性。

PCA 和 UMAP 的可视化分析显示，不同 CDAS 亚型形成清晰聚类，进一步印证类固醇谱所捕捉到的一致性生物学特征，并支持模型预测结果的临床可解释性。

专家点评

本研究体现了先进数据分析与机器学习在优化内分泌诊断中的日益重要作用。通过利用全面的 LC-MS/MS 类固醇谱，该算法可快速将患者分层至精确的病因学类别，从而应对长期存在的生化表型重叠难题并减少诊断延迟。

LightGBM 作为一种高效的梯度提升方法，与可解释决策树框架相结合，在预测准确性与临床透明度之间取得平衡，而这对于医疗场景中的应用至关重要。

不过，临床实施仍需进一步开展多中心前瞻性验证，并与基因检测流程整合，以适应罕见亚型及非典型表现。该模型在资源有限环境中的适用性，可能取决于 LC-MS/MS 技术的可及性。此外，评估其对患者管理结局影响的纵向研究也具有重要价值。

未来的优化方向可包括纳入更多生化与临床参数，以覆盖更完整的表型谱。尽管如此，该研究为人工智能驱动的儿科肾上腺疾病精准诊断奠定了基础。

结论

本文所述的机器学习辅助类固醇谱分析方法，为先天性肾上腺类固醇生成障碍提供了一种高准确率、快速且可解释的诊断工具。该模型通过将关键血浆类固醇激素整合入优化的决策树分类器，实现了优异的病因学分类，有助于尽早实施靶向治疗并提高临床工作流程效率。

这一方法标志着 AI 增强型内分泌诊断迈入新阶段，并有望在儿科内分泌临床实践中广泛应用。持续验证并融入临床流程，将推动肾上腺类固醇生成障碍的个体化管理。

基金资助与 ClinicalTrials.gov

所提供的文章摘录中未注明资金来源及临床试验注册信息。后续报道应补充相关披露，以明确潜在利益冲突及资助支持情况。

参考文献

1. Gurpinar Tosun B, Ercetin AN, Turan S, Bereket A, Arga KY, Guran T. Machine learning algorithms to accelerate etiological diagnosis of congenital disorders of adrenal steroidogenesis. J Clin Endocrinol Metab. 2026 Sep 16;111(10):2737-2744. doi:10.1210/clinem/dgad123. PMID: 42359583.

2. White PC. Congenital adrenal hyperplasia. Endocrinol Metab Clin North Am. 2018;47(2):275-289. doi:10.1016/j.ecl.2018.01.007.

3. Speiser PW, Arlt W, Auchus RJ, et al. Congenital adrenal hyperplasia due to steroid 21-hydroxylase deficiency: An Endocrine Society Clinical Practice Guideline. J Clin Endocrinol Metab. 2018;103(11):4043-4088. doi:10.1210/jc.2018-01865.

4. Taylor AE, Arlt W, Storbeck KH. Steroid metabolome analysis in disorders of adrenal steroidogenesis and its impact on the diagnosis and management of endocrine disease. Endocr Rev. 2021;42(4):535-562. doi:10.1210/endrev/bnab005.

5. Chen T, Guestrin C. XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD Int Conf Knowl Discov Data Min. 2016;785-794.

6. Lundberg SM, Lee S-I. A unified approach to interpreting model predictions. Adv Neural Inf Process Syst. 2017;30:4765-4774.