可解释的机器学习模型用于预测肝硬化患者隐性肝脑病变:一项多中心研究
Yilong Liu1, Kai Ding1, Yifan Qiu2
1Department of Gastroenterology, Changzheng Hospital, Naval Medical University, Shanghai, China.
Frontiers in medicine
|December 11, 2025
概括
机器学习模型可以预测肝硬化患者的隐性肝脑病变 (CHE). 轻GBM模型表现出强的表现,识别了关键预测因素,如MMSE得分和年龄,用于早期检测.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 神经科学是一个神经科学.
- 人工智能的人工智能
背景情况:
- 隐性肝脑病变 (CHE) 影响高达50%的肝硬化患者,由于亚临床症状和诊断工具的局限性,往往未被诊断出来.
- 现有的CHE诊断方法是主观的,具有可变的灵敏度,缺乏可访问性,妨碍及时干预.
研究的目的:
- 开发和验证可解释的机器学习 (ML) 模型,用于预测肝硬化患者的CHE.
- 利用多维临床和生活方式数据进行准确的CHE预测.
主要方法:
- 来自16个中国医疗中心的503名肝硬化患者的回顾性研究.
- 通过心理测量肝脏脑病症得分和EncephalAppStroop测试进行CHE诊断.
- 使用递归特征消除,皮尔森相关性和八种ML模型 (包括LightGBM,RF,XGBoost) 来通过SHAP值进行预测和解释.
主要成果:
- 轻GBM模型实现了0.810 (培训) 和0.710 (验证) 的AUC,在诊断性能方面表现优于RF和XGBoost.
- 通过SHAP分析确定的关键预测因素包括较低的MMSE得分,年龄较大,低albuminemia,缺乏电脑使用,以及高血尿素.
- 决策曲线分析证实了LightGBM的卓越诊断实用性.
结论:
- 一种基于ML的新方法,特别是LightGBM,提供了一种有希望的,可解释的方法来预测肝硬化患者的CHE.
- 确定临床和人口预测因素可以帮助早期发现CHE和个性化患者管理.
- 这种方法有可能改善CHE风险较高的患者的治疗结果.
