利用机器学习通过利用临床和成像数据来预测肝脏全移植纤维化
Madhumitha Rabindranath1,2,3, Yingji Sun1, Korosh Khalili4
1Ajmera Transplant Program, University Health Network, Toronto, Ontario, Canada.
Clinical transplantation
|April 17, 2025
概括
机器学习模型使用临床和实验室数据有效预测移植受体的肝移植纤维化. 超声波成像并没有提高显著纤维化预测的准确性.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 移植医学 移植医学 移植医学
- 人工智能在医学中的应用
背景情况:
- 肝移植接受者面临着移植纤维化 (GF),这种病理具有有限的侵入性诊断方法.
- 目前的GF诊断涉及程序风险,缺乏准确性,需要非侵入性的替代方案.
研究的目的:
- 开发一种非侵入性工具,用于预测肝移植接受者的显著移植纤维化 (METAVIR≥F2).
- 使用机器学习 (ML) 与人口统计,临床,实验室和超声波 (美国) 数据.
主要方法:
- 训练有素的人工神经网络 (ANN) 和支持矢量机器 (SVM) 模型在1131名患者身上使用交叉验证.
- 在4819张图像上使用ResNet18进行图像分析.
- 计算Shapley值以确定关键的预测特征.
主要成果:
- 与SVM和生物标志物相比,ANN显示出更高的性能 (AUC 0.77-0.81).
- ResNet18模型在诊断高级GF时表现不佳 (验证/测试AUC为0.43-0.63).
- 显著GF的关键预测因素包括型肝炎,接受者的年龄,性别,肌素和血红蛋白.
结论:
- 使用临床和实验室数据的非侵入性ML模型是有效的预测显著的GF.
- 纳入美国图像并没有提高这些ML模型的预测性能.
