AD是一种慢性炎症性皮肤疾病，儿童和成人均可累及，严重影响患者的生活质量。儿童AD的全球患病率为7-30％，而成人为1-10％。可靠且准确的评估方法对于AD的早期诊断和个体化治疗十分重要。

近年来， ML在医学领域中的应用大幅增加。ML有助于疾病的检测和分类，提高预测能力和个性化治疗。在皮肤科领域，ML主要用于识别皮肤病变或组织病理学图像，如白癜风和银屑病等。但是，对于AD的分子水平模型报道很少。最近，来自中南大学湘雅三医院皮肤科的博士研究生武松江及其合作者基于ML算法构建了多个相对稳定且可靠的AD诊断和疗效评估预测模型。

研究人员基于三种不同的机器学习算法（LASSO回归、Logistic线性回归和随机森林），利用公共数据库中AD皮损区和非皮损区的RNA转录组数据，构建了六个AD预测模型。这些模型在区分AD病变和非病变方面均表现出良好的性能（AUC >0.8）。

那些接受了生物制剂治疗患者皮损的模型分数与特应性皮炎评分（SCORAD）呈正相关，而与治疗时长（或AD改善情况）呈负相关。

武松江指出，“这些结果表明这些模型具有评估治疗效果的潜力，特别是对于生物制剂和小分子药物的治疗；然而，由于本次纳入样本的质量与数量不足，两种模型与SCORAD的相关性系数并不高 ”。

该团队已将他们的研究成果发表在期刊Fundamental Research 上。

通讯作者 陈静教授 和 曾庆海副研究员介绍说， 基于ML的预测模型在AD的诊断和疗效评估方面表现出良好的性能，在AD的早期诊断及疗效评估上具有良好运用价值。

未来，该团队将进一步收集AD患者皮损样本以验证和评估这些模型的稳定性。

使用两批模型基因（REC 和 AAG）以及三种机器学习算法：LASSO、线性回归（LR）和随机森林（RF）构建了六个模型：

a. 该模型可以准确识别训练集中样本数据中的AD皮损

b. LASSO（REC 和 AAG）和 LR（REC 和 AAG）模型在测试数据集中表现出良好的分类效果

c. 在使用 Dupilumab 治疗后， LASSO 和 LR 的模型基因都展示出显著的时间依赖性下调；

d. LASSO(REC)和LR(AAG)模型评分与SCORD呈正相关

e. LASSO (REC) 和 LR (AAG) 模型评分与免疫细胞浸润之间的关联性