实现机器学习算法,以选晚期肝纤维化在代谢功能障碍相关的性肝病:一个深入的解释性分析

科学领域:

• 肝病学 肝病学是一种肝病学.
• 机器学习在医学中的应用
• 诊断工具 诊断工具

背景情况:

• 与代谢功能障碍相关的脂肪性肝病 (MASLD) 需要精确的纤维化分期.
• 初级保健机构需要可访问的工具来检测晚期纤维化 (AF).
• 可解释性对于机器学习算法 (MLA) 的临床采用至关重要.

研究的目的:

• 在初级保健背景下,开发和验证用于检测MASLD患者的AF的MLA.
• 确保MLA预测的可解释性,以确保负责任的临床实施.
• 将MLA性能与已建立的纤维化评分系统进行比较.

主要方法:

• 从618名MASLD患者中使用现有的临床特征培训了5名MLA.
• 根据肝硬度 (≥9.3 kPa) 或活检 (≥F3) 定义的晚期纤维化 (AF).
• 在初级保健数据中对纤维化-4指数 (FIB-4) 和NAFLD纤维化得分 (NFS) 进行了验证的MLA,使用特征重要性和SHAP值进行解释.

主要成果:

• 极端梯度增强 (XGBoost) 的AUC达到0.91,明显超过FIB-4 (0.78) 和NFS (0.81).
• 在AF检测方面,XGBoost表现出更高的灵敏度 (91% vs. 79%) 和特异性 (76% vs. 59%/48%).
• 关键预测因素包括HbA1c和胺甲酸酶 (GGT);SHAP值有助于重新分类假阳性.

结论:

• 一个可解释的XGBoost算法是MASLD患者中AF的优越查工具,与初级保健中的FIB-4和NFS相比.
• 该算法的可解释性提高了其安全性和适合临床决策的适用性.
• 这种方法促进了人工智能在管理MASLD中的负责任整合.