机器学习识别甲状腺眼病四种细胞因子内型
摘要
研究团队对101例甲状腺眼病（TED）患者血浆中102种细胞因子进行检测，通过机器学习筛选出4种关键细胞因子，结合无监督聚类将患者分为4个内型：CKC1（炎症型，34人）、CKC2（增殖型，32人）、CKC3（纤维化型，20人）、CKC4（代谢型，15人）。基于此开发的CKC评分模型在内部验证中AUC为0.742，并在外部队列中保持稳定判别能力。
信息来源： PubMed Ophthalmology 发布于 2026年8月3日
要点速览
- 研究基于101例TED患者血浆样本，检测102种细胞因子，识别出VCAM-1、CCL19、CX3CL1、CXCL13四种核心标志物。
- 通过K-means聚类定义了CKC1至CKC4四类内型，分别对应炎症、增殖、纤维化和代谢特征，病例数分别为34、32、20、15。
- 开发的CKC评分模型在内部验证中AUC为0.742，并在独立外部队列中保持判别力。
本站解读
这项研究用机器学习从102种细胞因子中揪出4个‘关键分子’，把原本笼统归为一类的甲状腺眼病患者清晰分成了四类——炎症主导、结构增生、纤维化进展和代谢异常并存。样本量101例不算大，但采用Luminex高通量检测+内外部双验证，方法扎实；AUC 0.742虽未达理想阈值（0.8以上），但在复杂免疫疾病分型中已属稳健信号。
短期内难直接改变临床做法：CKC评分模型尚未整合进指南，也未配套检测试剂盒或标准化流程，医生无法凭现有手段快速调用。它更像一把新钥匙，为未来靶向治疗（比如给CKC1型优先用抗炎生物制剂、CKC4型强化代谢管理）铺路，而非即刻替换当前以CAS评分为主的粗放评估。
普通人无需因此调整日常，也不必专门检测这四个细胞因子——目前没有商业化检测服务，结果也无法指导自我干预。如有疑虑可咨询眼科医生。国内情况有待确认。
常见问题
这个新分型能帮我判断自己该用哪种药吗？
目前还不能。该研究建立了理论分型框架，但尚未与具体药物选择挂钩，也没有配套临床检测工具。医生仍主要依据临床活动度评分（CAS）、影像和症状来制定方案。如有疑虑可咨询眼科医生。
听说有四种类型，我怎么知道自己属于哪一种？
现在无法自行判断。这种分型依赖实验室对四种特定细胞因子的精准定量检测，且需结合机器学习模型计算CKC评分，尚未进入常规临床检验项目。它属于前沿科研成果，距离患者端应用还有距离。
延伸阅读
CDH17和HOXC13被识别为葡萄膜黑色素瘤预后标志物
研究通过整合转录组分析与机器学习模型，从葡萄膜黑色素瘤（UM）数据中筛选出四个潜在预后基因：CDH17、HOXC13、FABP5P7和LINC02188。其中CDH17和HOXC13因具有蛋白编码能力、明确促癌功能及跨癌种高表达特征被重点验证。ROC分析显示CDH17预测能力较强（AUC=0.76），其与HOXC13的表达水平均与转移风险相关，并在独立队列GSE22138中得到验证。
中晚期干眼症结构生物标志物预测进展研究
MACUSTAR研究对577例中度年龄相关性黄斑变性（iAMD）患者进行了长达4年的随访，通过OCT等多模态影像分析多种视网膜结构标志物。结果显示，9.01%的眼在随访期内进展为地理萎缩（GA）或新生血管性AMD（nAMD），其中6.4%进展为GA、7.7%为nAMD。研究发现，不同标志物及其在视网膜中央3mm区域的分布与进展类型显著相关，如SDDs、PED、nCNV和cRORA提示总体进展风险，而nCNV体积仅增加nAMD风险。
OSCAR-IB质控提升多发性硬化患者视网膜萎缩率测量稳定性
研究纳入173名多发性硬化患者，比较四种OCT图像预处理方式对视网膜神经纤维层（pRNFL）和神经节细胞-内丛状层（GCIPL）年萎缩率估算的影响。结果显示，采用OSCAR-IB质量控制后，pRNFL和GCIPL变化估计的残差方差分别降至1.50和0.65，低于原始数据的1.73和0.78；而人工分层校正未进一步提升纵向稳定性。