基于TabNet深度学习模型的多中心回顾性研究：免疫因素在反复种植失败中的预测价值与临床意义

《Scientific Reports》：Immunological risk factors for recurrent implantation failure using a deep learning model: a multicenter retrospective cohort study

　　本研究针对反复种植失败（RIF）的免疫机制难题，通过多中心回顾性队列分析，构建了基于TabNet的深度学习预测模型。研究整合23项临床与免疫变量，首次系统揭示年龄、Th1/Th2比值、BMI及多种自身抗体（如抗TPO、ANA）对活产结局的关键影响。模型验证显示AUROC达0.952，准确率87.4%，为RIF患者免疫干预策略提供了精准量化工具，推动生殖医学向个体化诊疗迈进。

　　

尽管辅助生殖技术（ART）不断进步，反复种植失败（RIF）仍是困扰不孕症患者的重大挑战。欧洲人类生殖与胚胎学会（ESHRE）将RIF定义为多次高质量胚胎移植后仍无法实现妊娠，但其病因复杂，约15-20%的患者即使排除妇科解剖异常仍面临植入失败。近年来，免疫因素逐渐被视为“不明原因RIF”的关键推手——例如T辅助细胞（Th1/Th2）失衡、自然杀伤细胞（NK）活性异常、自身抗体阳性等均可能破坏母胎界面免疫微环境。然而，传统统计方法难以捕捉多维度免疫指标与非线性的相互作用，亟需更精准的风险分层工具。

为此，来自伊朗大不里士医科大学等中心的团队在《Scientific Reports》发表了一项多中心回顾性研究。他们纳入2463例无妇科解剖异常的RIF患者，利用TabNet深度学习架构整合23项临床与免疫变量，构建活产结局预测模型。结果显示，模型在验证集中表现出色（AUROC=0.952），其中年龄、Th1/Th2比值、BMI、抗甲状腺过氧化物酶抗体（anti-TPO）、抗核抗体（ANA）、抗双链DNA抗体（anti-dsDNA）及抗组织转谷氨酰胺酶抗体（anti-TTG）被识别为核心预测因子。这一成果不仅为免疫性RIF提供了机制解释，更开创了人工智能驱动个体化免疫调节治疗的先河。

关键研究方法概述

研究团队从伊朗5个生殖中心收集数据，严格遵循ESHRE的RIF诊断标准，并排除染色体异常、内分泌疾病、子宫内膜病变等已知病因患者。所有参与者均接受免疫评估（包括淋巴细胞亚群、自身抗体谱等）及靶向免疫治疗（如他克莫司或静脉注射免疫球蛋白）。通过TabNet模型处理缺失值（采用均值插补）及类别不平衡（使用SMOTE过采样），并以80/20比例划分训练/验证集，采用受试者工作特征曲线（ROC）和校准曲线评估性能。

研究结果

1. 患者基线特征

活产组与种植失败组在多数免疫指标上存在显著差异（p<0.05）。例如，活产组Th1/Th2比值更高（18.64±9.15 vs. 7.71±3.80），而失败组的抗TPO抗体水平显著升高（24.16±15.43 U/mL vs. 13.14±7.60 U/mL），提示免疫亢进与抑制状态可能分别关联不同结局。

2. 模型性能验证

TabNet模型在验证集准确率达87.4%，敏感性与特异性均衡（0.885 vs. 0.855）。混淆矩阵显示其误判率较低（FP=27，FN=37），且校准曲线证实预测概率与实际发生率高度吻合（Brier评分=0.036）。

3. 特征重要性分析

通过TabNet的内置注意力机制提取变量贡献度，显示年龄对预测影响最大，其次为Th1/Th2比值和BMI。自身抗体中，抗TPO与ANA的作用显著高于其他抗体。

4. 免疫指标相关性网络

相关性热图揭示自身抗体（如抗心磷脂抗体、抗β2糖蛋白抗体）之间存在强正相关，而免疫细胞标记（CD3、CD56）与生理参数（如BMI）相关性较弱，印证了免疫通路在RIF中的独立性。

结论与展望

本研究首次通过深度学习模型量化免疫紊乱对RIF的影响，证实联合多维度免疫指标可显著提升活产预测精度。其结果支持对RIF患者进行早期免疫筛查，并为靶向干预（如调节Th1/Th2平衡或抑制NK细胞活性）提供循证依据。未来需通过多国队列验证模型普适性，并探索子宫内膜局部免疫指标与外周血的协同作用。这一AI驱动的研究范式有望重塑生殖免疫诊疗路径，推动RIF管理进入精准医学时代。