两步式机器学习模型增强了高风险代谢功能障碍相关的脂肪性肝病的识别
Zheng'ao Xu1,2,3,4, Yongfen Zhu5, Fengjuan Chen6
1Zhejiang Key Laboratory of Multi-Omics Precision Diagnosis and Treatment of Liver Diseases, Department of General Surgery, Sir Run-Run Shaw Hospital, Zhejiang University School of Medicine, Hangzhou, China.
概括
一个新的机器学习策略通过优先考虑纤维化评估,改善了与代谢功能障碍相关的高风险脂肪性肝病 (MASLD) 的识别. 这种逐步的方法提高了风险分层和临床适用性.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 与代谢功能障碍相关的脂肪性肝病 (MASLD) 是一种普遍的疾病.
- 目前用于检测纤维化代谢功能障碍相关的脂肪肝炎 (MASH) 的非侵入性模型存在局限性.
- 开发高风险MASLD的准确诊断工具对于患者管理至关重要.
研究的目的:
- 开发和验证基于机器学习的逐步策略,用于识别高风险的MASLD (F≥2 + NAS ≥5).
- 提高显著纤维化和MASH的非侵入性检测的准确性.
- 为了比较不同诊断策略的性能.
主要方法:
- 一个多中心的回顾性研究,对840名活检证明的MASLD患者进行了多中心回顾性研究.
- 利用后勤回归和多omics数据来识别纤维化 (F≥2) 和MASH (NAS ≥5) 的预测因素.
- 训练了八个机器学习算法,并比较了四种诊断策略:纤维化第一,MASH第一,并行和单一模型.
主要成果:
- 纤维化第一策略在内部验证中表现优异 (精度84.7%,特异性87.0%).
- 像随机森林 (RF) 和多层感知器 (MLP) 这样的机器学习模型对于特定的终点是最佳的.
- 逐步方法在外部验证中表现优于单一模型策略,顺序RF跟着MLP显示出最高的临床效用.
结论:
- 基于机器学习的逐步诊断策略,优先考虑纤维化评估,显著改善了高风险MASLD的识别.
- 这种经过验证的方法提高了风险分层的准确性,并减少了对肝脏活检的依赖.
- 这些发现支持将顺序AI诊断纳入MASLD管理的临床实践.
