MASLDのハイリスク患者を特定する2段階機械学習モデル
Zheng'ao Xu1,2,3,4, Yongfen Zhu5, Fengjuan Chen6
1Zhejiang Key Laboratory of Multi-Omics Precision Diagnosis and Treatment of Liver Diseases, Department of General Surgery, Sir Run-Run Shaw Hospital, Zhejiang University School of Medicine, Hangzhou, China.
まとめ
新しい機械学習戦略は、線維症評価を優先することにより、ハイリスクの代謝機能障害関連脂肪性肝疾患（MASLD）の同定を改善します。この段階的なアプローチは、リスク層別化と臨床的適用性を高めます。
科学分野:
- 肝臓病学
- 人工知能
- 医療診断
背景:
- 代謝機能障害関連脂肪性肝疾患（MASLD）は一般的な状態です。
- 線維症性代謝機能障害関連脂肪肝炎（MASH）を検出するための現在の非侵襲的モデルには限界があります。
- ハイリスクMASLDの正確な診断ツールを開発することは、患者管理にとって重要です。
研究 の 目的:
- ハイリスクMASLD（F≥2 + NAS≥5）を特定するための機械学習ベースの段階的戦略を開発および検証すること。
- 重要な線維症とMASHの非侵襲的検出の精度を向上させること。
- さまざまな診断戦略のパフォーマンスを比較すること。
主な方法:
- 生検で確認されたMASLD患者840人を対象とした多施設共同後ろ向き研究。
- 線維症（F≥2）およびMASH（NAS≥5）の予測因子を特定するために、ロジスティック回帰およびマルチオミクスデータを利用しました。
- 8つの機械学習アルゴリズムをトレーニングし、4つの診断戦略（線維症優先、MASH優先、並列、単一モデル）を比較しました。
主要な成果:
- 線維症優先戦略は、内部検証（精度84.7％、特異度87.0％）で優れたパフォーマンスを示しました。
- ランダムフォレスト（RF）やマルチレイヤーパーセプトロン（MLP）などの機械学習モデルは、特定の終点に最適でした。
- 段階的アプローチは、外部検証において単一モデル戦略よりも優れたパフォーマンスを示し、連続的なRFとそれに続くMLPが最も高い臨床的有用性を示しました。
結論:
- 線維症評価を優先する機械学習ベースの段階的診断戦略は、ハイリスクMASLDの同定を大幅に改善します。
- この検証されたアプローチは、リスク層別化の精度を高め、肝生検への依存を減らします。
- 結果は、MASLD管理のための段階的なAI診断の臨床実践への統合を支持します。
