J Allergy Clin Immunol：在免疫缺陷中使用人工智能的当前观点和挑战

先天性免疫缺陷病（IEI）是一类涵盖600余种单基因遗传疾病的复杂免疫紊乱综合症，表现多样，包括感染易感性、免疫调节失衡、炎症、变态反应及肿瘤风险。患者因症状复杂且涉及多个专科，往往经历漫长的诊断延迟，平均诊断时延儿童约4~7年，成人甚至更长，增加了患者病死率及医疗负担。传统诊断依赖专家经验、靶向基因检测和免疫功能评估，时间成本高且受限于专业资源。

人工智能凭借其高效处理多源、大规模数据的能力，为基于临床和基因组数据的IEI早筛和诊断提供新方法。已有研究开发了使用诊断编码、药物使用信息构建风险评分系统（如SPIRIT工具），利用机器学习（ML）模型分析EHR和临床表型数据库筛出高风险患者。例如，PheNet算法成功提前识别出常见变异免疫缺陷（CVID）患者，准确率高并已通过多系统验证。此外，自然语言处理（NLP）技术被用于自动提取临床笔记中的病症特征，辅助数据补全及患者分类等多方面。

然而，IEI相关AI研究大多基于单中心数据或特定数据库，缺乏跨机构的数据整合，面临样本量不足和异质数据整合难题。除IEI外，其他罕见疾病领域的研究成果，如基于语义相似性的EHR深度分析，及集成外部知识的生成式AI模型（如RareDxGPT）也为IEI提供了借鉴价值。对继发性免疫缺陷（SID）的识别和区分则更具挑战，现有工具多数未包含SID因素，但临床表型重叠较大，未来需融合治疗史及动态免疫指标改善判别能力。

本文系统综述了人工智能在IEI诊断与管理中的应用现状及面临的挑战，由来自欧洲、西班牙和美国等多中心的权威专家团队完成，近期发表在权威免疫学杂志J Allergy Clin Immunol上。文章涵盖了AI在IEI患者筛查、电子健康记录（EHR）分析、基因组数据处理以及临床决策支持中的最新进展，同时深刻剖析了现实中AI技术推广应用的多维障碍，并探讨未来基于生成式模型等新兴技术的潜在发展方向，为临床和科研工作者提供前沿参考。

研究成果

1. AI在IEI早期筛查和患者识别中的应用

• 采用支持向量机、逻辑回归、决策树等判别模型，从保险理赔、医院EHR系统提取诊断、药物等结构化数据建立风险预测体系。
• 利用深度学习模型对临床文本进行自然语言处理，实现未结构化数据转结构化表型信息辅助诊断。
• 电子健康记录中结合自动提取的临床特征和传统“10条警示信号”等规则，实现对IEI患者的早期筛选（见表 I）。
• ML算法在美国USIDNET注册数据中成功识别不同IEI亚型，证明了数据驱动的表型分类实用价值。

表 I. 机器学习在免疫缺陷症筛查和诊断中的应用实例

2. AI在基因组学检测与分析中的应用

• AI提升了高通量测序数据的准确性，包括短读长读测序错误修正、参考基因组拼接及个体组装。
• 变异检测方面，利用卷积神经网络如DeepVariant等，将变异检测问题转化为图像识别任务，实现单核苷酸及小插入缺失的高精度识别。
• 基因功能注释和变异致病性预测集成了多维数据，包括临床表型、进化保守性、蛋白质结构信息等，部分工具特别针对特定疾病或基因。
• 多工具结合实现自动化变异分类，并有基于表型赋权改进候选变异筛选的能力。
• 目前的流程已可媲美人工分析且大幅缩短诊断时间，但IEI复杂的临床与遗传机制仍限制了模型的普适性和准确度（见表 II）。

表 II. AI在罕见病基因组诊断流程中的关键应用工具

3. 实际临床应用的挑战

• 存在显著的“研究-临床落地”鸿沟，尽管学术模型效果理想，真实世界中仅有少量单中心、小范围的部署应用。
• 医护人员对AI的信任度不均，模型“黑盒”特性导致可解释性不足是关键制约因素。
• 患者隐私保护及数据再识别风险增加诸多伦理和法律问题。
• 数据异构性和互操作性不足，EHR系统标准不统一、多源异质数据集成困难制约AI的诊断支持智能化。
• 监管体系尚不完善，需平衡创新与安全监管。
• 其他障碍包括医护人员担忧工作替代风险，患者接受度及多学科合作的协调难度。
• 需防范“告警疲劳”现象，避免过多错误正负报警耗散医护注意力。

图 1 IEI患者临床及数据流转旅程中的AI介入点机会图

图 基于利益相关者视角分析AI临床推广的主要挑战与应对策略

4. 未来发展趋势

• 生成式AI（如大型语言模型）在IEI领域有望通过辅助临床文本分析、自动编码、数据缺失补全、跨语言医疗交流等手段发挥潜力。
• AI聊天机器人可辅助基因检测的知情同意和结果反馈，实现患者特异、遗传咨询个性化支持。
• 技术层面，开放式EHR标准如openEHR提出数据与知识分层架构，强调结构化、语义统一与可扩展性，利于实现全面数据互操作，提高AI系统集成能力。
• 鉴于数字化建设程度差异，推动标准化和系统升级是跨国、跨区域拓展AI筛查方案的关键。

综上，本综述全面揭示了AI技术在IEI领域的应用潜能与现实困境，彰显了其在缩短诊断时延、改善患者预后方面的巨大前景。通过整合多维临床和基因数据，AI能够辅助发现隐匿病例，优化临床诊疗路径，大幅度提升医疗效率。然而，目前的关键瓶颈在于异构数据集成、算法透明度、临床可用性及跨部门协同缺乏。监管与伦理风险也是不可忽视的威胁。

未来，应重视开发具有良好解释性且经实地多中心验证的模型，促进医生与技术专家的共创合作，推动健康信息系统兼容性及标准化。此外，AI的推广应坚持以“增强智能”为核心理念，缓解医护人员对技术威胁的担忧。生成式模型的引入为患者教育及遗传咨询提供新机遇，也辅助减少医疗资源紧张。

总之，人工智能助力IEI诊疗具变革性潜能，亟需以实施科学为指导，跨学科多方携手，推动从研究走向大规模临床应用，实现精准医疗的“最后一公里”突破。

原始出处：

Jacques G. Riviere et al. Current perspectives and challenges of using artificial intelligence in immunodeficiencies. J Allergy Clin Immunol. 2025. https://doi.org/10.1016/j.jaci.2025.06.015