(SeaPRwire) – 機器學習模型的診斷準確度與標準口服食物測試、皮膚點刺試驗和過敏原特異性IgE測量相比，大約提升了40%
密爾瓦基, 2026年2月14日 — 根據即將發表於的新研究顯示，機器學習和深度學習AI模型在食物過敏診斷的現有臨床標準上有顯著改進。
「目前食物過敏診斷的標準照護依賴皮膚點刺試驗、過敏原特異性IgE，若結果不明確則採用口服食物測試。人工智慧機器學習（ML）模型相較於現有臨床標準，診斷準確度提升了40%；更先進的深度學習（DL）模型則比ML方法進一步優化診斷效能，曲線下面積（AUC）提升10-15%。ML/DL技術強化了食物過敏的診斷方法，有望超越當前策略並改善標準照護品質」，主要作者、Howard University Karsh STEM學者McKenzie J. Williams表示。
研究團隊以IMPACT試驗基線階段146次花生口服食物測試（OFCs）的數據為基礎，訓練機器學習（ML）與深度學習（DL）卷積神經網絡（CNN）模型。數據涵蓋皮膚點刺試驗（SPT）測量值、過敏原特異性IgE（sIgE），以及血清成分蛋白質（包括花生（PN）-IgE rAra h 1、2、3、6；PN-IgG4 rAra h 1、2、3、6）。受試對象為1至4歲兒童。
演算法效能分析顯示，PN-sIgE Ara h2與PN-IgE/IgG4具有強預測價值（敏感度：88.9；特異度：84.5；陽性預測值（PPV）：89）。研究指出，ML模型相較於現有臨床標準，診斷準確度提升約40%；而DL模型相較於ML方法，曲線下面積進一步提升10-15%。經標準照護測試訓練的DL模型不僅大幅提升敏感度與PPV，且效能不遜於臨床實務中的診斷方法。
研究人員認為，OFC生物標誌物發現的診斷效能提升，可開發出更具擴展性與效率的食物過敏替代診斷方法，優於現行的OFC、皮膚點刺試驗與過敏原特異性IgE（sIgE）測量。
造訪瞭解更多資訊。2026年AAAAI年度會議（費城，賓州，2月27日至3月2日）發表的研究成果，已刊登於《The Journal of Allergy and Clinical Immunology》（JACI）的。
美國過敏、氣喘與免疫學會（AAAAI）是全球領先的專業會員組織，擁有超過7100名過敏科醫師、氣喘專家、臨床免疫學家及其他專業人士，專注於過敏與免疫疾病的研究與治療。該學會成立於1943年，是過敏、氣喘與免疫缺陷患者的重要資源平台。
來源：American Academy of Allergy, Asthma & Immunology (AAAAI)
本文由第三方廠商內容提供者提供。SeaPRwire (https://www.seaprwire.com/)對此不作任何保證或陳述。
分類: 頭條新聞,日常新聞
SeaPRwire為公司和機構提供全球新聞稿發佈，覆蓋超過6,500個媒體庫、86,000名編輯和記者，以及350萬以上終端桌面和手機App。SeaPRwire支持英、日、德、韓、法、俄、印尼、馬來、越南、中文等多種語言新聞稿發佈。