相关实验视频
Updated: May 15, 2025
08:58
Optimized Analysis of In Vivo and In Vitro Hepatic Steatosis
Published on: March 11, 2017
15.8K
在肥胖患者中基于机器学习的代谢功能障碍相关的脂肪肝炎的非侵入性预测:一项回顾性研究
Jie Chen1, Bo Zhang1, Yong Cheng2
1Department of Ultrasound, China-Japan Friendship Hospital, Beijing 100029, China.
Diagnostics (Basel, Switzerland)
|May 14, 2025
概括
机器学习模型可以使用临床和实验室数据预测肥胖患者的代谢功能障碍相关的脂肪肝炎 (MASH). 随机森林模型显示了最高的准确性,为当前方法提供了一个非侵入性的替代方案.
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
- 机器学习 机器学习
背景情况:
- 代谢功能障碍相关的脂肪肝炎 (MASH) 在肥胖人口中越来越令人担忧.
- 准确的,非侵入性的MASH诊断方法对于及时干预至关重要.
- 目前的诊断方法可能具有侵入性或缺乏足够的准确性.
研究的目的:
- 开发和验证用于非侵入性MASH预测的机器学习 (ML) 模型.
- 整合临床和实验室数据以提高预测准确度.
- 在肥胖群体中评估各种ML模型的性能.
主要方法:
- 对接受减肥手术的肥胖患者的临床和实验室数据的回顾性分析.
- 使用SHapley添加式扩展 (SHAP) 进行特征选择.
- 开发和交叉验证多个ML模型 (例如随机森林,高斯过程).
主要成果:
- 一个随机森林模型实现了最高的诊断性能,AUC为0.94 (训练) 和0.88 (验证).
- 高斯过程模型显示高训练AUC (0.97),但较低的验证AUC (0.79).
- 其他模型显示AUC值在0.62到0.88.8之间.
结论:
- 机器学习模型,特别是随机森林,可以有效地预测MASH的非侵入性.
- 这些模型为传统的血清学评分方法提供了一个有希望的替代方案.
- 需要进一步的前性研究和外部验证来确认临床效用.
