对细胞外矩阵生物标志物的探索性研究,用于非侵入性肝纤维化病阶段:使用XGBoost和可解释AI的机器学习方法

科学领域:

• 肝病学和胃肠病学 肝病学和胃肠学
• 生物标志物发现发现
• 医学诊断 医学诊断 医学诊断

背景情况:

• 慢性肝病 (CLD) 的非侵入性分期需要新的循环标志物.
• 细胞外矩阵 (ECM) 组件未得到充分利用,但具有诊断潜力.
• 这项研究调查了C型肝炎病毒 (HCV) 阳性患者的ECM标志物,这些患者的纤维化不同阶段.

研究的目的:

• 评估ECM相关标志物的诊断潜力,以进行非侵入性CLD病期鉴定.
• 评估特定的ECM标记物 (LN,PIIIP N-P,C-IV) 在区分纤维化阶段的准确性.
• 探索机器学习模型与可解释AI相结合的实用性,以提高诊断准确度.

主要方法:

• 测量了ECM标记物的血清水平 (氨酸,拉米宁,原三N-,原四),胆甘氨酸和戈尔吉蛋白-73.
• 包括68名轻度至中度纤维化 (F1-F2) 患者,66名晚期纤维化 (F3-F4) 患者和30名健康捐赠者.
• MAGLUMI 800 CLIA平台被用于血清标记物的量化.

主要成果:

• 随着纤维化症的严重程度而增加的拉敏素,酸,原蛋白-IV,原蛋白-III N-和戈尔吉蛋白-73的水平.
• 多变量回归确定了拉米因,原IIIN-和原IV作为有前途的标记物 (精度为0.77).
• 一个XGBoost模型实现了更高的精度 (0.87),SHAP分析证实了关键标记者的贡献.

结论:

• ECM生物标志物,特别是胺,原III N-和原IV,显示出非侵入性CLD分期的潜力.
• 机器学习和可解释的AI可以显著提高CLD的诊断准确性.
• 这些发现可能会减少对侵入性肝活检程序的依赖.