机器学习模型用于在MASLD中选肥胖症:国际验证研究
Junzhao Ye1, Xiongcai Feng1, Jiaming Lai1
1Department of Gastroenterology, The First Affiliated Hospital, Sun Yat-sen University, Guangzhou, China.
概括
极端梯度增强 (XGB) 模型有效地非侵入性地检测代谢功能障碍相关的脂肪性肝病 (MASLD). XGB的性能优于传统方法,为MASLD查和预后提供了一个有前途的工具.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 机器学习 机器学习
- 非侵入性诊断 非侵入性诊断
背景情况:
- 与代谢功能障碍相关的脂肪性肝病 (MASLD) 需要有效的非侵入性查方法.
- 新兴的机器学习模型显示出潜力,但需要对MASLD检测进行验证.
研究的目的:
- 确定用于非侵入性MASLD检测的最有效的机器学习模型.
- 将机器学习模型的性能与传统分数进行比较.
主要方法:
- 分析了五个不同的队列,包括流行病学调查和生物库 (n=24,861).
- 使用振动控制的短暂弹性图,MRI-PDFF,超声波和活检来诊断肝硬化.
- 评估了6个机器学习模型和28个传统分数,包括生存分析.
主要成果:
- 极端梯度增强 (XGB) 模型在所有五个数据库中实现了AUROC>0.8用于MASLD检测.
- 在瘦个体中,甘油三指数和腰围显示出适度的预测能力 (AUROC 0.60-0.88).
- MASLD患者的整体生存率明显较低 (p<0.001),逻辑回归预测了生存率.
结论:
- 与传统方法相比,XGB模型在非侵入性MASLD检测方面表现出卓越的性能.
- 机器学习为MASLD查和预后评估提供了一种强大的方法.
