机器学习使用人体组成参数预测肝硬化:英国生物库研究

科学领域:

• 肝病学 肝病学是一种肝病学.
• 放射学 放射学是一门学科.
• 生物医学工程 生物医学工程

背景情况:

• 非酒精性脂肪性肝病 (NAFLD) 是全球最常见的慢性肝病.
• 目前的NAFLD检测依赖于生物标志物,弹性图像或活检,这些活检可以是侵入性的或间接的.
• 需要为NAFLD查提供可访问和准确的方法.

研究的目的:

• 调查双能X射线吸收度 (DXA) 衍生体质参数与NAFLD之间的关联.
• 开发和评估用于使用DXA数据预测肝硬化症的机器学习模型.
• 评估DXA作为NAFLD查工具的有用性.

主要方法:

• 利用了英国生物银行队列中的2959名参与者的数据.
• 使用MRI-质子密度脂肪分数 (MRI-PDFF) 作为参考标准评估肝肥胖症.
• 使用DXA参数和传统索引的机器学习分类器 (逻辑回归,梯度增强合集).
• 进行了SHapley增量扩展 (SHAP) 分析,以确定关键的预测特征.

主要成果:

• 在NAFLD和传统的肥胖指标 (腰与部的比例,腰围,Android-gynoid比例) 和身体形状指数之间发现了显著的关联.
• 来自DXA的参数,包括内脏脂肪组织质量,干脂肪质量和安卓脂肪质量,与肝硬化有很强的相关性.
• 机器学习模型实现了对肝肥胖症的良好预测性能 (AUC 0.830.87).
• SHAP分析证实DXA参数是模型预测的主要贡献者.

结论:

• 由DXA衍生的身体成分参数与NAFLD有显著的关联.
• 结合DXA数据的机器学习模型显示了准确预测肝硬化症的潜力.
• DXA为NAFLD查提供了一种有前途,实用和潜在的机会方法.