目的：探讨肺炎克雷伯菌所致化脓性肝脓肿（K-PLA）与非肺炎克雷伯菌病原体所致肝脓肿（非K-PLA）的临床及超声特征，并建立用于鉴别诊断K-PLA的机器学习模型。

材料与方法：本研究回顾性纳入了2013年4月至2020年12月期间在解放军总医院第五医学中心经临床诊断并通过超声引导下穿刺证实为PLA的患者。根据致病病原体，将患者分为K-PLA组和非K-PLA组。收集基线数据，包括超声特征、临床特点和实验室检查结果。采用Boruta算法进行特征选择，并建立了四种机器学习模型，深度学习-全连接神经网络（deeplearning）、分布式随机森林（drf）、梯度提升机（gbm）和广义线性模型（glm）来诊断K-PLA。模型采用5折交叉验证进行评估。

结果：共纳入201例细菌性肝脓肿患者（中位年龄：57岁；范围：49–66岁；男性136例），包括134例K-PLA和67例非K-PLA病例。Boruta算法筛选出七个重要的预测变量：糖尿病史、肝细胞癌病史、胆道疾病史、传染病史、发热持续时间、体温和丙氨酸氨基转移酶（ALT）水平。利用这些变量构建了四种机器学习模型。在训练集中，预测K-PLA的受试者工作特征曲线下面积（AUC）分别为：0.716（deeplearning）、0.999（drf）、0.922（gbm）和0.718（glm）。在验证集中，相应的AUC值分别为0.799、0.763、0.848和0.805。