人工智能在特发性炎性肌病中的应用研究进展

人工智能在特发性炎性肌病中的应用研究进展【摘要】特发性炎性肌病（idiopathicinflammatorymyopathies，IIM）是一组异质性显著、机制复杂的自身免疫性疾病，其临床表现多样且缺乏特异性生物标志物，给临床诊断与治疗带来了严峻挑战。近年来，人工智能（artificialintelligence，AI）技术的飞速发展，为破解上述难题提供了新的工具和方法。AI在临床数据整合、影像分析、病理识别及预后评估等方面展现出优越的性能，其中机器学习和深度学习技术更在疾病诊断分型及预后治疗策略制定中发挥了重要作用。尽管相关研究已取得初步进展，AI在IIM的应用仍面临数据标准化不足、模型泛化能力有限以及临床转化困难等挑战。本文综述了AI在IIM领域的最新研究进展，旨在为未来研究方向提供科学依据，推动AI技术更好地融入临床实践，最终提升IIM的整体诊疗水平。特发性炎性肌病（idiopathicinflammatorymyopathies，IIM）是一组以骨骼肌慢性进行性无力和炎症为主要临床特征的自身免疫性疾病，临床相对罕见但病情通常较为严重。该病涵盖皮肌炎（dermatomyositis，DM）、多发性肌炎（polymyositis，PM）等多个亚型，常累及皮肤、肌肉、肺等多系统，临床表现复杂多样［12］。由于其高度异质性，诊断通常需要综合临床表现、肌肉酶学指标、肌肉活检及影像学检查等多维度信息。然而，传统诊断方法存在主观性强、效率低、敏感度和特异度不足等难点，尤其是在疾病早期或临床表现不典型的情况下，诊断难度显著增加［34］。此外，治疗效果存在显著的个体差异，患者预后不一，因此亟需建立更精准的诊断体系并推行个体化治疗策略［5］。近年来，人工智能（artificialintelligence，AI）技术，尤其是机器学习（machinelearning，ML）和深度学习（deeplearning，DL）在医学领域取得了突破性进展。AI能够处理大规模、多维度的医学数据，自动识别复杂的模式和特征，从而在疾病诊断、病理分析、影像学评估、预后预测以及个体化治疗等方面提供有力辅助［68］。AI技术也推动了对多组学数据（如转录组学、蛋白质组学）的整合分析，有助于深入理解IIM等疾病的发病机制，促进生物标志物的发现与精准治疗策略的制定［1］。尽管AI技术在多个医学领域展现出良好的应用前景，但在IIM中的应用尚处于起步阶段。因此，系统梳理与评估AI在IIM诊断和管理中的现有研究，深入分析其优势与局限性，对该领域的进一步发展具有重要价值。本文旨在综述AI技术在IIM中的应用现状，重点探讨其在临床诊断、病理影像分析、疾病预后评估及个体化治疗等方面的具体实践与未来方向，同时剖析当前面临的技术挑战与可能的解决路径，以期为临床决策与后续科研工作提供理论参考和实践指引。一、人工智能技术概述及其在特发性炎性肌病中的应用基础AI旨在使机器能够模拟人类智能以执行复杂的认知任务［9］。在探讨IIM这一高度复杂且异质性显著的自身免疫病时，单纯的基础理论已不足以涵盖其应用广度，ML与DL等核心技术正展现出破译多维医学数据的独特优势［10］。ML属于数据驱动的算法，通过训练模型从患者的临床表现、常规检验及自身抗体谱中提取特征，进而实现对IIM不同亚型的高效预测与精准分类；DL作为ML的进阶分支，依托多层神经网络结构，能够实现端到端的自动特征提取，尤其擅长解析IIM患者的影像病理等高维度、非结构化医学数据［11］。就学习方式而言，不同AI范式与IIM的特定临床需求高度契合：监督学习（supervisedlearning）以明确诊断的标注数据为基础进行训练，现已广泛应用于构建IIM疾病分类与并发症的早期辅助诊断模型［12］。无监督学习（unsupervisedlearning）则致力于挖掘数据内部的潜在规律，常用于基于多组学数据的IIM患者分群及全新分子内型的识别，极大地推动了对疾病深层异质性的解析［13］。强化学习（reinforcementlearning）通过与环境的持续交互不断优化决策策略，在针对IIM患者长程个体化疾病管理方面，展现出巨大的临床转化潜力［14］。二、人工智能辅助特发性炎性肌病的诊断1.临床数据驱动的诊断模型：在AI技术中应用IIM的研究中，基于患者临床表现和实验室指标构建诊断模型最受关注。当前，ML和DL技术在IIM领域的应用主要围绕以下几个核心临床任务展开。（1）疾病鉴别与精准诊断方面：研究借助大规模电子健康记录，构建模型以实现对血管炎、IIM等罕见自身免疫病的早期预警，从而缩短诊断延迟时间［15］。基于常规实验室数据的模型，可用于鉴别IIM与系统性红斑狼疮、干燥综合征等其他系统性自身免疫病［16］。在肌肉疾病鉴别方面，模型能有效区分IIM与肢带型肌营养不良等非炎性肌病［17］，也可用于开发高特异度的疾病诊断标准，如包涵体肌炎（inclusionbodymyositis，IBM）的诊断［18］。此外，基于定量胸部CT参数的模型也被用于辅助诊断IIM相关间质性肺疾病（interstitiallungdisease，ILD）［19］。（2）疾病亚型与内型探索方面：AI技术被广泛应用于依据多维度临床与生物学数据，对IIM进行更精细的亚组划分。通过整合临床特征、血清标志物及病理结果，无监督聚类分析能够识别出具有不同临床表现、抗体谱及预后风险的亚群［2021］。针对抗黑色素瘤分化相关基因5（melanomadifferentiationassociatedprotein5，MDA5）抗体阳性DM等特定亚型，研究亦能基于关键指标（如淋巴细胞计数）进一步定义不同的临床表型［22］。同时，基于胸部高分辨CT影像的DL模型，能够实现对IIM相关ILD不同影像学模式的自动分类［23］。（3）病情量化评估：AI技术有助于开发客观、定量的疾病评估工具。基于DL的肺部CT定量分析软件，可更精确地评估结缔组织病相关ILD的病变范围，并识别存在严重肺功能损害的患者，其性能优于传统的视觉评估方法［24］。在幼年型皮肌炎（juveniledermatomyositis，JDM）中，结合大腿磁共振成像（magneticresonanceimaging，MRI）影像组学特征与临床数据的模型，为疾病诊断与评估提供了非侵入性手段［25］。总体而言，基于临床数据的AI模型正从单一指标分析向多模态数据（如电子病历、实验室检验与多组学特征）深度融合的方向发展，在IIM的早期预警、精细化分型及量化评估中成效显著。然而，当前模型多基于单中心、小样本回顾性数据，罕见亚型样本尤为匮乏；同时，真实世界临床数据普遍存在高缺失率与非标准化问题，制约了模型的泛化能力。未来，依托多中心协同网络建立标准化的IIM大型前瞻性专病队列，将是突破现有瓶颈的关键所在。2.影像学辅助诊断：AI技术在IIM的影像学辅助诊断中展现出显著潜力，尤其在肌肉MRI和超声等影像数据的炎症与病变自动识别方面具有重要应用价值。MRI作为IIM诊断与评估的关键工具，传统上依赖放射科医师的定性分析易受主观因素影响。近年来基于AI尤其是DL算法的MRI影像定量分析。首先，在实现IIM的精准无创诊断方面，研究通过开发DL模型，可自动从全身或局部MRI序列中提取特征，有效替代传统的人工肌肉炎症分级，直接区分IIM患者与健康对照区，并检测出亚临床状态的肌肉水肿［26］。其次，在鉴别诊断方面，AI模型被用于区分IIM与其他临床表现相似的肌肉疾病，例如将IIM（如PM、DM）与特定遗传性肌营养不良（如面肩肱型肌营养不良［27］、肢带型肌营养不良R2型［28］）进行鉴别，其核心在于识别炎症模式与脂肪变性/坏死模式在微观纹理与空间分布上的差异。进一步，在IIM内部精细化分型与生物学标志物关联分析中，基于ML的方法可利用MRI纹理和定量信息，对DM、抗合成酶综合征（antisynthetasesyndrome，ASS）、免疫介导坏死性肌病（immunemediatednecrotizingmyopathy，IMNM）等不同临床亚型进行分类，并探索影像特征与特定肌炎自身抗体之间的潜在关联，为理解疾病异质性提供影像学依据［2829］。最后，在疾病纵向管理与治疗评估方面，借助自动化分割与定量技术，AI能够高重复性地追踪关键影像指标的变化，如肌肉水肿范围［30］、瘦肌肉体积和脂肪浸润比例［31］，从而客观、量化地监测疾病自然进展、评估药物疗效、并为临床试验提供敏感可靠的影像学终点。肌肉超声作为一种便捷的影像手段，结合弹性成像技术（如剪切波弹性成像）与AI分析，也在IIM的检测与炎症程度评估中显示出潜力，可显著提升图像识别精度和诊断一致性［32］。目前，AI在肌肉超声辅助诊断IIM的研究主要围绕三个递进的临床任务展开：一是基础二分类任务，即利用DL模型自动区分IIM患者的肌肉图像与健康对照图像，实现疾病的初步筛查［33］；二是在检测异常的基础上进行多分类任务，对不同类型的IIM（如DM、PM与IBM）进行自动化鉴别诊断［34］；此外，为应对临床中标注数据稀缺的实际情况，部分研究探索了无监督或半监督的异常检测方法［35］，通过学习正常肌肉图像的特征，识别偏离正常模式的异常图像，为大规模人群或基层医疗机构开展初步筛查提供高效工具。影像学AI将IIM从传统的主观视觉定性评估，推向客观、定量的特征自动提取，提升了病变检测的准确性与效率，也为无创监测、实现精准分型与治疗反应预测提供了可靠手段。当前主要挑战在于：不同医疗机构间扫描设备与成像参数差异显著，制约模型跨中心推广；而高质量像素级标注耗时费力且高度依赖专家经验。未来建立跨设备通用的影像标准化协议、发展对多中心异质数据具有高鲁棒性的联邦学习架构，并结合半监督或无监督学习以降低标注成本，将成为关键方向，影像学辅助诊断有望在IIM临床管理中发挥更为重要的作用［3637］。3.病理图像分析：AI技术在IIM肌肉活检切片的数字化与自动病理评分方面展现出重要潜力。多项研究针对肌肉活检的常规苏木精伊红染色切片开发了端到端的DL诊断系统。其中一项研究构建了基于密集卷积网络架构的卷积神经网络（convolutionalneuralnetworks，CNN）模型，其核心临床任务是对IIM及其主要亚型进行自动化分类与鉴别。该模型不仅能区分IIM与其他非炎性肌病（如遗传性肌病），还可进一步鉴别IIM内部亚型，同时实现对多种常见遗传性肌病的分类［38］。另一项研究利用YOLOv8目标检测模型对H&E全切片图像进行自动分割，精准识别并提取肌纤维、细胞核、血管等多种组织成分的定量形态学与空间分布特征，随后将这些特征输入轻量级梯度提升机ML分类器进行训练，最终实现对肌病性损伤、神经源性损伤以及正常肌肉组织的鉴别［39］。此外，亦有研究聚焦于免疫组织化学染色图像的分析，以量化特定病理生物学指标。例如，一项研究开发了基于快速随机森林的ML算法，专门用于分析血管内皮细胞标志物CD31染色的肌肉活检切片，能够自动、精准地计数并评估肌纤维周围的微血管密度，从而协助区分不同的IIM亚组［40］。AI驱动的肌肉病理图像分析不仅显著提升了IIM诊断的客观性与可重复性，还实现了对疾病亚型及关键病理特征的自动化识别与定量评估，为临床决策提供了强有力的辅助工具。在病理图像分析领域，AI有效克服了传统显微镜人工阅片主观性强、可重复性差的局限，实现了对微观病理特征的高通量自动化定量评估。当前技术瓶颈主要体现为：肌肉活检的有创性导致高质量大样本病理数据集极为稀缺；不同实验室间的制片与染色工艺差异易引发模型偏倚；全视野数字切片的高精度像素级标注需耗费资深病理学家大量精力。未来，引入多实例学习等弱监督算法以降低对全切片标注的依赖，结合染色归一化技术提升模型稳定性，并推动数字病理与空间转录组学等多模态数据的深度融合，将成为全面解析IIM肌肉微环境与实现精准分型的前沿方向。三、人工智能在特发性炎性肌病病理机制研究中的应用1.基因组和转录组等多组学数据分析：近年来，AI技术在多组学数据挖掘中展现出强大的分析能力。利用血清代谢组或血浆蛋白质组构建的AI模型，已成功应用于IIM及其主要亚型的鉴别。针对临床急重症，有研究通过分析血浆蛋白质谱，探索建立抗MDA5抗体阳性DM的特异性分子标签。此外，基于皮肤或肌肉组织的基因表达数据，研究已鉴定出多个在DM中高表达的单基因或组合基因标志物，为临床诊断提供了分子依据［4145］。超越传统的临床血清学分型，AI被广泛应用于依据分子特征对IIM进行更精细的划分。通过分析肌肉活检RNA测序数据，ML与DL模型能够高精度地区分DM、ASS、IMNM和IBM等亚型，并揭示各亚型特异的基因表达模块。进一步，无监督聚类分析被用于探索同一临床综合征（如ASS）内部是否存在分子基础不同、预后迥异的“内型”，从而为个体化预后判断与治疗选择提供依据［4648］。除了诊断与分型，研究也尝试利用血清生物标志物（如GDF15、肌酸激酶等）的组合构建模型，以客观评估IIM患者的疾病活动度，其性能可能优于传统肌肉酶学指标［49］。2.免疫细胞亚群识别与功能预测：AI辅助的免疫细胞功能分析表明，干扰素信号通路在IIM患者中广泛且显著激活，尤其是在抗MDA5抗体阳性DM患者中，单核细胞表现出强烈的Ⅰ型干扰素特征，提示该通路是驱动炎症的关键机制［5051］。在细胞互作层面，基于单细胞数据，AI驱动的分析能够鉴定出特定的促炎巨噬细胞亚群及其分泌的关键因子（如VEGF、CXCL12），阐明其在血管生成与炎症调控中的复杂作用［52］。在分子网络层面，通过整合多组学数据，AI模型可识别疾病关键基因，并解析其与特定免疫细胞浸润模式之间的关联，从而为病理分型提供分子基础。此外，AI还能帮助识别与免疫异常激活密切相关的细胞自噬、焦亡等程序性死亡通路［53］。上述发现具有明确的临床转化价值，这为未来实现“分型而治”的精准医疗描绘了完整路径：从识别高危免疫表型，到解析其背后的特异性通路（如干扰素通路、细胞焦亡），最终为开发针对性靶向治疗策略（如干扰素抑制剂、细胞死亡通路调节剂）提供了科学依据与潜在靶点。四、人工智能在特发性炎性肌病预后评估与治疗管理中的应用预后预测模型构建：在长期预后评估方面，AI整合多维数据，可预测患者长期综合结局［54］。这一纵向风险评估能力为个体化治疗方案的动态调整与长期管理规划提供了量化依据。在严重并发症的早期预警与风险分层方面，鉴于IIM相关并发症显著增加患者不良预后事件的风险，利用多模态数据进行早期预测成为AI应用的重要方向［55］。目前研究主要围绕临床指标、实验室数据和影像学特征构建预测模型，预测DM患者发生快速进展型ILD［56］、评估其短期（如3个月）死亡风险［5758］以及合并严重感染的风险［59］，为这类急危重症的临床决策提供量化依据；在恶性肿瘤风险评估方面，研究通过整合临床特征与自身抗体谱数据，构建模型以预测IIM患者伴发恶性肿瘤的总体风险［60］，并进一步对抗TIF1γ抗体阳性这一高危群体进行风险分层［61］，识别出其中癌症风险极高的“超高危”亚组，从而为个体化、差异化的肿瘤筛查策略提供科学支持。在心血管并发症监测方面，心肌受累是影响IIM患者预后的重要因素，但其早期识别仍面临挑战。应用CNN分析标准心电图，辅助检测IMNM患者中隐匿性或早期的左心室功能障碍［62］，并证实AI心电图所识别的异常与患者全因死亡风险升高显著相关。这为借助普及度极高的心电图开展心血管并发症早期筛查和预后评估提供了新途径。在影像组学驱动的疾病量化与动态监测领域，高分辨率CT作为评估IIM相关ILD的金标准，通过引入AI技术实现了对影像特征的客观、定量化解构，显著提升了其作为生物标志物的临床价值。一方面，基于基线CT提取定量影像特征（如磨玻璃影与实变区域的体积占比），构建模型以预测快速进展型ILD发生风险及患者不良预后［6365］；另一方面，借助纵向自动化影像分析技术，对系列CT影像进行精准比对与量化，动态追踪ILD的演变过程［66］，并深入解析特定影像模式（如磨玻璃影的时空演变轨迹）与肺功能下降及长期预后的内在关联［67］。这一技术发展使HRCT从传统依赖主观经验的形态学评估工具，逐步转型为能够客观量化、动态监测疾病活动与治疗反应的关键决策支持系统。五、结论IIM作为一类高度复杂且异质性显著的自身免疫性疾病，其诊断与治疗始终面临诸多挑战。AI在IIM的诊断分型、影像分析、预后评估及治疗管理等方面展现出广阔的应用前景，不仅为临床医生提供了更精准、高效的辅助工具，也为患者带来了更具个体化特征的诊疗策略。在临床应用中，需在客观认识AI的基础上，严格评估相关局限性与潜在混杂因素：一是数据与标注瓶颈，现有研究多基于小样本回顾性分析，泛化能力受限；且ML/DL高度依赖耗时昂贵的人工标注，致高质量数据匮乏，未来结合无监督学习或将成为有效的解决路径。二是缺乏横向对比，鲜有基于通用数据集对各类AI工具进行客观比较的研究。三是模型解释性弱，“黑箱现象”使特定参数的贡献难以可视化，影响医患对AI工具的信任。四是伦理与安全隐患，因AI偏见导致误诊的责任归属尚处空白，患者数据隐私与安全亦亟待规范。综上所述，临床医生将AI工具正式应用于指导个体化治疗决策之前，必须经过严谨的临床验证，并获得相关监管部门的授权。未来，唯有在打破数据壁垒、提升算法透明度、完善监管机制的基础上，AI才能真正实现从研究工具向临床实际应用的安全、可靠转化，最终造福广大IIM患者。参考文献[1]ConnollyCM,GuptaL,FujimotoM,etal.Idiopathicinflammatorymyopathies:currentinsightsandfuturefrontiers[J].LancetRheumatol,2024,6(2):e115-e127.DOI:10.1016/S2665-9913(23)00322-3.[2]TomarasS,KekowJ,FeistE.Idiopathicinflammatorymyopathies[J].DtschMedWochenschr,2020,145(13):903-910.[3]ChinoyH,LillekerJB.Pitfallsinthediagnosisofmyositis[J].BestPractResClinRheumatol,2020,34(1):101486.DOI:10.1016/j.berh.2020.101486.[4]BhaiSF,DimachkieMM,deVisserM.Isitreallymyositis?Mimicsandpitfalls[J].BestPractResClinRheumatol,2022,36(2):101764.DOI:10.1016/j.berh.2022.101764.[5]ChiapparoliI,GalluzzoC,SalvaraniC,etal.Aglanceintothefutureofmyositistherapy[J].TherAdvMusculoskeletDis,2022,14:1759720X221100299.DOI:10.1177/1759720X221100299.[6]于颖彦.人工智能对胃肠疾病诊疗的推动作用[J].中华胃肠外科杂志,2020,23(1):33-37.DOI:10.3760/cma.j.issn.1671-0274.2020.01.006[7]YangCC.ExplainableArtificialIntelligenceforPredictiveModelinginHealthcare[J].JHealthcInformRes,2022,6(2):228-239.DOI:10.1007/s41666-022-00114-1.[8]TomihamaRT,DassS,ChenS,etal.Machinelearningandimageanalysisinvascularsurgery[J].SeminVascSurg,2023,36(3):413-418.DOI:10.1053/j.semvascsurg.2023.07.001.[9]SahuA,MishraJ,KushwahaN.ArtificialIntelligence(AI)inDrugsandPharmaceuticals[J].CombChemHighThroughputScreen,2022,25(11):1818-1837.DOI:10.2174/1386207325666211207153943.[10]KimHR,JiH,KimGB,etal.Enzymefunctionalclassificationusingartificialintelligence[J].TrendsBiotechnol,2025,43(9):2214-2231.DOI:10.1016/j.tibtech.2025.03.003.[11]RichieRC.BasicsofArtificialIntelligence(AI)Modeling[J].JInsurMed,2024,51(1):35-40.DOI:10.17849/insm-51-1-35-40.1.[12]HirataY,TsujiT,KotokuJ,etal.Echocardiographicartificialintelligenceforpulmonaryhypertensionclassification[J].Heart,2024,110(8):586-593.DOI:10.1136/heartjnl-2023-323320.[13]PoonamK,GuhaR,ChakrabartiPP.ArtificialIntelligenceBasedHierarchicalClassificationofFrontotemporalDementia[J].AnnuIntConfIEEEEngMedBiolSoc,2024,2024:1-4.DOI:10.1109/EMBC53108.2024.10782700.[14]DangJ,LiuL.Extendedartificialintelligenceaversion:Peopledenyhumannesstoartificialintelligenceusers[J].JPersSocPsychol,2024.DOI:10.1037/pspi0000480.[15]RyyppöR,HäyrynenS,JoutsijokiH,etal.Comparisonofmachinelearningmethodsintheearlyidentificationofvasculitides,myositidesandglomerulonephritides[J].ComputMethodsProgramsBiomed,2024,243:107917.DOI:10.1016/j.cmpb.2023.107917.[16]WangY,WeiW,OuyangR,etal.Novelmulticlassclassificationmachinelearningapproachfortheearly-stageclassificationofsystemicautoimmunerheumaticdiseases[J].LupusSciMed,2024,11(1).DOI:10.1136/lupus-2023-001125.[17]WangG,FuL,ZhangL,etal.Developmentofdifferentialdiagnosticmodelsfordistinguishingbetweenlimb-girdlemusculardystrophyandidiopathicinflammatorymyopathy[J].ArthritisResTher,2024,26(1):215.DOI:10.1186/s13075-024-03458-8.[18]LloydTE,MammenAL,AmatoAA,etal.Evaluationandconstructionofdiagnosticcriteriaforinclusionbodymyositis[J].Neurology,2014,83(5):426-433.DOI:10.1212/WNL.0000000000000642.[19]YangK,ChenY,HeL,etal.ApplicationofQuantitativeCTandMachineLearningintheEvaluationandDiagnosisofPolymyositis/Dermatomyositis-AssociatedInterstitialLungDisease[J].AcadRadiol,2025,32(8):4871-4879.DOI:10.1016/j.acra.2025.04.012.[20]EngS,OlazagastiJM,GoldenbergA,etal.AClinicallyandBiologicallyBasedSubclassificationoftheIdiopathicInflammatoryMyopathiesUsingMachineLearning[J].ACROpenRheumatol,2020,2(3):158-166.DOI:10.1002/acr2.11115.[21]ZhuJ,WuL,ZhouY,etal.AretrospectivecohortstudyinChinesepatientswithadultpolymyositisanddermatomyositis:riskofcomorbiditiesandsubclassificationusingmachinelearning[J].ClinExpRheumatol,2022,40(2):224-236.DOI:10.55563/clinexprheumatol/i2xeao.[22]JinQ,FuL,YangH,etal.Peripherallymphocytecountdefinestheclinicalphenotypesandprognosisinpatientswithanti-MDA5-positivedermatomyositis[J].JInternMed,2023,293(4):494-507.DOI:10.1111/joim.13607.[23]ZhangJ,HeL,WeiY,etal.Deeplearningforclassifyingimagingpatternsofinterstitiallungdiseaseassociatedwithidiopathicinflammatorymyopathies[J].SciRep,2025,15(1):31655.DOI:10.1038/s41598-025-15960-3.[24]ItoY,IchikawaY,MurashimaS,etal.Noveldeep-learninganalysisforconnectivetissuedisease-relatedinterstitiallungdiseaseextentassessmentonCT:apreliminarycross-sectionalstudy[J].Rheumatology(Oxford),2025,64(SI):SI14-SI20.DOI:10.1093/rheumatology/keae491.[25]HuM,ZhengF,MaX,etal.AssessmentofThighMRIRadiomicsandClinicalCharacteristicsforAssistinginDiscriminationofJuvenileDermatomyositis[J].JClinMed,2022,11(22).DOI:10.3390/jcm11226712.[26]WangF,FangS,LiJ,etal.CorrelationanalysisofquantitativeMRImeasurementsofthighmuscleswithhistopathologyinpatientswithidiopathicinflammatorymyopathy[J].EurRadiolExp,2023,7(1):51.DOI:10.1186/s41747-023-00350-z.[27]FabryV,MamaletF,LaforetA,etal.Adeeplearningtoolwithoutmuscle-by-musclegradingtodifferentiatemyositisfromfacio-scapulo-humeraldystrophyusingMRI[J].DiagnIntervImaging,2022,103(7-8):353-359.DOI:10.1016/j.diii.2022.01.012.[28]WeiP,ZhongH,XieQ,etal.Machinelearning-basedradiomicstodifferentiateimmune-mediatednecrotizingmyopathyfromlimb-girdlemusculardystrophyR2usingMRI[J].FrontNeurol,2023,14:1251025.DOI:10.3389/fneur.2023.1251025.[29]NagawaK,SuzukiM,YamamotoY,etal.TextureanalysisofmuscleMRI:machinelearning-basedclassificationsinidiopathicinflammatorymyopathies[J].SciRep,2021,11(1):9821.DOI:10.1038/s41598-021-89311-3.[30]WangF,ZhouS,HouB,etal.AssessmentofidiopathicinflammatorymyopathyusingadeeplearningmethodformuscleT2mappingsegmentation[J].EurRadiol,2023,33(4):2350-2357.DOI:10.1007/s00330-022-09254-9.[31]HeerfordtJ,KarlssonM,KusamaM,etal.Volumetricmusclecompositionanalysisinsporadicinclusionbodymyositisusingfat-referencedmagneticresonanceimaging:Diseasepattern,repeatability,andnaturalprogression[J].MuscleNerve,2024,70(6):1181-1191.DOI:10.1002/mus.28252.[32]TanAL,DiMatteoA,WakefieldRJ,etal.Updateonmuscleimaginginmyositis[J].CurrOpinRheumatol,2023,35(6):395-403.DOI:10.1097/BOR.0000000000000975.[33]BurlinaP,BillingsS,JoshiN,etal.Automateddiagnosisofmyositisfrommuscleultrasound:Exploringtheuseofmachinelearninganddeeplearningmethods[J].PLoSOne,2017,12(8):e0184059.DOI:10.1371/journal.pone.0184059.[34]RanJ,JiS,MorelliJN,etal.ThediagnosticvalueofT2mapsandrs-EPIDWIindermatomyositis[J].BrJRadiol,2019,92(1094):20180715.DOI:10.1259/bjr.20180715.[35]BurlinaP,JoshiN,BillingsS,etal.Deepembeddingsfornoveltydetectioninmyopathy[J].ComputBiolMed,2019,105:46-53.DOI:10.1016/pbiomed.2018.12.006.[36]ZandeevanRillandED,YaoL,StevensKJ,etal.MyositisandItsMimics:GuidelineUpdates,MRICharacteristics,andNewHorizons[J].AJRAmJRoentgenol,2024,223(2):e2431359.DOI:10.2214/AJR.24.31359.[37]Juarez-GomezC,Aguilar-VazquezA,Gonzalez-GaunaE,etal.IntegratingMachineLearningintoMyositisResearch:aSystematicReview[J].ClinRevAllergyImmunol,2025,68(1):62.DOI:10.1007/s12016-025-09076-9.[38]KabeyaY,OkuboM,YonezawaS,etal.Deepconvolutionalneuralnetwork-basedalgorithmformusclebiopsydiagnosis[J].LabInvest,2022,102(3):220-226.DOI:10.1038/s41374-021-00647-w.[39]OnoD,KawaiH,KuwaharaH,etal.RefiningMuscleMorphometryThroughMachineLearningandSpatialAnalysis[J].NeuropatholApplNeurobiol,2025,51(2):e70012.DOI:10.1111/nan.70012.[40]MassaroA,CazzatoG,IngravalloG,etal.Pre-screeningofendomysialmicrovesseldensitybyfastrandomforestimageprocessingmachinelearningalgorithmacceleratesrecognitionofamodifiedvascularnetworkinidiopathicinflammatorymyopathies[J].DiagnPathol,2025,20(1):13.DOI:10.1186/s13000-025-01608-3.[41]KangJ,KimJY,JungY,etal.IdentificationofMetabolicSignatureAssociatedwithIdiopathicInflammatoryMyopathyRevealsPolyaminePathwayAlterationinMuscleTissue[J].Metabolites,2022,12(10).DOI:10.3390/metabo12101004.[42]LiuD,ZhaoL,JiangY,etal.Integratedanalysisofplasmaandurinerevealsuniquemetabolomicprofilesinidiopathicinflammatorymyopathiessubtypes[J].JCachexiaSarcopeniaMuscle,2022,13(5):2456-2472.DOI:10.1002/jcsm.13045.[43]ZhangY,HuW,LiT,etal.SharedandDistinctiveInflammation-RelatedProteinProfilinginIdiopathicInflammatoryMyopathywith/withoutAnti-MDA5Autoantibodies[J].JInflammRes,2025,18:6009-6024.DOI:10.2147/JIR.S509777.[44]ZhaoX,SiS.Fivegenesasdiagnosticbiomarkersofdermatomyositisandtheircorrelationwithimmunecellinfiltration[J].FrontImmunol,2023,14:1053099.DOI:10.3389/fimmu.2023.1053099.[45]WangX,HuH,YanG,etal.Identificationandvalidationofinterferon-stimulatedgene15asabiomarkerfordermatomyositisbyintegratedbioinformaticsanalysisandmachinelearning[J].FrontImmunol,2024,15:1429817.DOI:10.3389/fimmu.2024.1429817.[46]Pinal-FernandezI,Casal-DominguezM,DerfoulA,etal.Machinelearningalgorithmsrevealuniquegeneexpressionprofilesinmusclebiopsiesfrompatientswithdifferenttypesofmyositis[J].AnnRheumDis,2020,79(9):1234-1242.DOI:10.1136/annrheumdis-2019-216599.[47]AmiciDR,Pinal-FernandezI,Christopher-StineL,etal.Anetworkofcoreandsubtype-specificgeneexpressionprogramsinmyositis[J].ActaNeuropathol,2021,142(5):887-898.DOI:10.1007/s00401-021-02365-5.[48]WuS,XiaoX,ZhangY,etal.Novelendotypesofantisynthetasesyndromeidentifiedindependentofanti-aminoacyltransferRNAsynthetaseantibodyspecificitythatimproveprognosticstratification[J].AnnRheumDis,2024,83(6):775-786.DOI:10.1136/ard-2023-225284.[49]WuQ,WangW,QiuL,etal.ActivityPredictionModelingBasedonaCombinationofGrowthDifferentiationFactor15andSerumBiomarkerLevelsinDermatomyositisandPolymyositis[J].ArchMedRes,2024,55(7):103058.DOI:10.1016/j.arcmed.2024.103058.[50]LiM,ZhangY,ZhangW,etal.Type1interferonsignatureinperipheralbloodmononuclearcellsandmonocytesofidiopathicinflammatorymyopathypatientswithdifferentmyositis-specificautoantibodies[J].FrontImmunol,2023,14:1169057.DOI:10.3389/fimmu.2023.1169057.[51]MihaescuG,GradisteanuPircalabioruG,RoznovanCN,etal.InterferonsinAutoimmunity:FromLossofTolerancetoChronicInflammation[J].Biomedicines,2025,13(10).DOI:10.3390/biomedicines13102472.[52]LiaA,AnneseT,FornaroM,etal.PerivascularandendomysialmacrophagesexpressingVEGFandCXCL12promoteangiogenesisinanti-HMGCRimmune-mediatednecrotizingmyopathy[J].Rheumatology(Oxford),2022,61(8):3448-3460.DOI:10.1093/rheumatology/keab900.[53]SunR,ChuJ,LiP.Inflammasomesandidiopathicinflammatorymyopathies[J].FrontImmunol,2024,15:1449969.DOI:10.3389/fimmu.2024.1449969.[54]DanieliMG,PaladiniA,LonghiE,etal.Amachinelearninganalysistoevaluatetheoutcomemeasuresininflammatorymyopathies[J].AutoimmunRev,2023,22(7):103353.DOI:10.1016/j.autrev.2023.103353.[55]WangZ,ZhangJ,LiJ,etal.Integrationofclinicalandserologicalbiomarkersinanomogramforpredictinginterstitiallungdiseaseinidiopathicinflammatorymyopathies[J].BMCRheumatol,2025,9(1):73.DOI:10.1186/s41927-025-00534-7.[56]WangK,TianY,LiuS,etal.RiskFactorsandPredictiveModelforDermatomyositisAssociatedwithRapidlyProgressiveInterstitialLungDisease[J].PharmgenomicsPersMed,2022,15:775-783.DOI:10.2147/PGPM.S369556.[57]LiH,ZouR,XinH,etal.MortalityRiskPredictioninPatientsWithAntimelanomaDifferentiation-Associated,Gene5Antibody-Positive,Dermatomyositis-AssociatedInterstitialLungDisease:AlgorithmDevelopmentandValidation[J].JMedInternetRes,2025,27:e62836.DOI:10.2196/62836.[58]ZongC,WuS,ZhuL,etal.TheFLATCANModel:ANovelScoreforPredictingMortalityRiskinAnti-MelanomaDifferentiation-AssociatedGene5-PositiveDermatomyositis[J].Respirology,2025,30(12):1153-1164.DOI:10.1111/resp.70106.[59]WuY,LiY,ZhouY,eta