摘要目的:探索基于人工智能机器学习算法(machine learning algorithm,MLA)构建的诊断模型在结核性胸腔积液(tuberculous pleural effusion,TPE)诊断中的价值.方法:采用回顾性研究方法,参照入组标准纳入2020年1月至2022年9月四川省乐山市人民医院收治的233例胸腔积液患者作为内部实验组,按是否诊断为TPE,将患者分为结核组(106例)和非结核组(127例).运用R4.1.1软件进行数据整理和统计分析,利用LASSO回归筛选变量,并依此分别构建随机森林(RF)、支持向量机-线性核(SVM-linear)、支持向量机-多项式核(SVM-polynomial)、多因素logistic回归等4种MLA开发诊断模型.通过受试者工作曲线下面积(AUC)评估不同模型的诊断性能,并与胸腔积液腺苷脱氨酶(ADA)的诊断效能进行比较.另纳入同期西南医科大学附属医院的141例胸腔积液患者(结核组101例,非结核组40例)进行外部验证.结果:LASSO回归分析显示,胸腔积液总蛋白、ADA、单核细胞占比,以及血清中性粒细胞占比、血小板计数、发热及盗汗均是发生TPE的危险因素(惩罚系数分别为0.216、0.058、0.003、0.049、0.000、0.045、1.605),而胸腔积液癌胚抗原(CEA)、多核细胞占比,以及外周血白细胞计数均与TPE出现概率更低相关(惩罚系数分别为-0.072、-0.029、-0.567).构建的RF、SVM-linear、SVM-polynomial和多因素logistic回归分析等4种MLA开发的诊断模型对TPE的诊断敏感度分别为91.8％、84.5％、86.9％、85.4％;特异度分别为 99.0％、81.6％、93.8％、81.6％;AUC值分别为 0.988、0.875、0.959 和 0.886,均高于胸腔积液ADA(分别为83.1％、77.9％、0.820).在外部验证中,RF、SVM-linear、SVM-polynomial和多因素lo-gistic 回归模型的AUC值分别为0.834、0.827、0817和0.815.结论:基于RF算法构建的TPE诊断模型具有最优质的诊断性能,可以更加简单、快速、有效地识别TPE.