在慢性乙型肝炎患者中识别肝硬化:基于LSM的可解释机器学习算法
Xueting Bai1, Chunwen Pu2, Wenchong Zhen1
1Department of Epidemiology and Health Statistics, Dalian Medical University, Dalian, China.
Annals of medicine
|March 19, 2025
概括
在慢性乙型肝炎患者中,准确诊断肝硬化是至关重要的. 机器学习模型,特别是随机森林,结合肝硬度测量和传统指标,显著提高诊断准确度.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 医疗信息学 医疗信息学
- 诊断成像 诊断成像 诊断成像
背景情况:
- 慢性乙型肝炎 (CHB) 是肝硬化 (LC) 的首要原因,这是预后不佳的疾病.
- 在CHB患者中,早期和准确的LC诊断对于及时干预至关重要.
研究的目的:
- 为了提高肝硬化患者肝硬化诊断的准确性.
- 使用机器学习将肝硬度测量 (LSM) 与传统指标相结合.
主要方法:
- 机器学习模型的开发和验证,包括随机森林 (RF),后勤回归,k-最近邻居,人工神经网络,支持向量机器和eXtreme渐变增强.
- 使用LASSO和RF-RFE进行特征选择.
- 通过ROC曲线,校准曲线和决策曲线分析进行绩效评估.
- 用于模型解释性的SHAP分析.
主要成果:
- 射频模型在内部和外部验证集中显示出高精度 (>0.80) 和AUC (>0.80).
- 确定LSM是模型预测能力的最重要的贡献者.
- 综合模型显示出强大的歧视力,即使仅使用小规模或传统指标.
结论:
- 机器学习模型,特别是射频,在CHB患者中有效地识别肝硬化.
- 将LSM与传统指标相结合,可显著提高CHB中LC的诊断性能.
