200
评论
查看更多
密码过期或已经不安全，请修改密码
修改密码
壹生身份认证协议书
同意
拒绝
同意
拒绝
同意
不同意并跳过
成果名称：基于机器学习的慢性乙型肝炎合并肝脂肪变患者进展期肝纤维化和肝硬化诊断模型
Machine Learning–Based Models for Advanced Fibrosis and Cirrhosis Diagnosis in Chronic Hepatitis B Patients With Hepatic Steatosis
发表期刊：《临床肠胃病学与肝脏病学》（Clin Gastroenterol Hepatol）（Q1区，IF2023：11.6）
通讯作者：李婕
第一作者：芮法娟
主要作者单位：南京大学医学院附属鼓楼医院
本研究基于多中心大样本数据，利用机器学习构建无创诊断模型RF-AF和RF-C，高效识别乙肝合并脂肪肝患者的进展期肝纤维化和肝硬化。模型诊断性能优越，在线计算器的开发提升临床可及性，为早期风险评估和精准管理提供新工具，有助于减少肝活检需求，优化临床决策。
南京大学医学院附属鼓楼医院李婕教授团队在《临床胃肠病学和肝病学》（Clin Gastroenterol Hepatol）发表研究成果，利用机器学习（ML）技术开发无创诊断模型，以预测慢性乙型肝炎（CHB）合并肝脂肪变（HS）患者的进展期肝纤维化和肝硬化。
本研究纳入来自10家医学中心、接受肝活检的未经抗病毒治疗的CHB合并HS患者。其中，三家中心的797例患者作为训练队列，其余七家中心的401例患者作为独立的外部验证队列。研究选取23项无创的人口学及常见血清学指标，分别输入六种机器学习模型——随机森林（RF）、梯度提升分类器（GBC）、高斯朴素贝叶斯分类器（GNB）、决策树分类器（DTC）、朴素贝叶斯分类器（MNB）和K近邻分类器（KNN）——用于预测进展期肝纤维化和肝硬化。最终，研究采用SHAP（Shapley Additive exPlanations）方法筛选出最具预测价值的特征变量，并基于随机森林（RF）算法构建了两个无创预测模型。其中，进展期肝纤维化模型（RF-AF）基于白蛋白（ALB）、碱性磷酸酶（ALP）、体重指数（BMI）、γ-谷氨酰转移酶（GGT）、乙型肝炎表面抗原（HBsAg）、国际标准化比值（INR）、血小板（PLT）和凝血时间（PT）构建，而肝硬化模型（RF-C）则纳入年龄、ALB、ALP、BMI、GGT、HBsAg、INR、PLT、PT、总胆固醇和白细胞计数。模型性能通过受试者工作特征曲线下面积（AUROC）和决策曲线分析（DCA）进行评估，并与目前常用的无创纤维化评分（包括FIB-4、NFS、APRI）进行对比。
RF-AF模型在诊断进展期肝纤维化方面表现良好，其AUROC在训练队列中为0.778（95% CI，0.749–0.807），在验证队列中为0.734（95% CI，0.691–0.778）。在训练队列中，RF-AF模型的AUROC显著优于FIB-4（0.701；95% CI，0.669–0.733）和NFS（0.675；95% CI，0.643–0.708）。同样，RF-C模型在训练队列和验证队列中的AUROC分别达到0.777（95% CI，0.748–0.806）和0.821（95% CI，0.783–0.858），显著优于FIB-4（训练队列：0.694；95% CI，0.662–0.726；验证队列：0.735；95% CI，0.692–0.778）。此外，在不同亚组分析中（包括年龄、性别、BMI、丙氨酸氨基转移酶水平、HBeAg状态、HBV DNA水平、肝脂肪变性程度及纤维化分期），RF-AF和RF-C均表现出稳定的预测性能。为促进模型的临床应用，研究团队开发了在线计算器（https://py.reallife-liver.com/），使该无创诊断工具更易于推广和使用。
综上，RF-AF和RF-C模型为CHB合并HS患者的进展期肝纤维化和肝硬化提供了一种可靠且非侵入性的诊断工具，有助于优化该人群的疾病管理与临床决策。
慢性乙型肝炎（CHB）合并肝脂肪变（HS）患者因具有双重肝损伤机制，较单纯CHB或HS患者更易发展为进展期肝纤维化甚至肝硬化。因此，如何在临床上精准识别此类高危人群，是当前肝病管理中的重要挑战。本研究基于多中心大样本数据，采用先进的机器学习方法，构建了RF-AF和RF-C两个无创诊断模型，为CHB合并HS患者的进展期纤维化和肝硬化评估提供了更具精准性和可操作性的工具。
本研究基于来自10家医学中心的大规模患者数据，区分训练队列（来自3家中心的797例患者）和独立的外部验证队列（来自7家中心的401例患者），确保了模型在不同数据集上的稳定性和泛化能力。此外，研究采用SHAP（Shapley Additive exPlanations）方法筛选特征变量，从多个候选指标中精准提取最具预测价值的变量，确保模型使用的变量更精炼且更具代表性，从而提高了诊断准确性和临床实用性。相较于传统的无创纤维化评分系统（如FIB-4、NFS和APRI），本研究构建的RF-AF和RF-C模型在训练队列和验证队列中的AUROC显著更高，展现出卓越的预测效能。在不同亚组分析中（年龄、性别、BMI、HBeAg状态、HBVDNA水平、肝脂肪变程度及纤维化分期等），RF-AF和RF-C模型依然表现出稳定的预测能力，进一步证明了其广泛适用性。
研究团队开发的在线计算器显著提升了模型的临床可及性和推广价值。该工具可实现快速、便捷的无创风险评估，使临床医生能够高效识别CHB合并HS患者的进展期肝纤维化及肝硬化风险，从而优化随访策略，减少不必要的肝活检，提高诊疗效率。
该研究不仅提升了CHB合并HS患者进展期肝纤维化和肝硬化的识别能力，还为未来基于人工智能的肝病管理提供了借鉴。这一研究成果有望在临床实践中发挥重要作用，为个体化治疗和精准医学提供更有力的支持。
南京大学医学院附属鼓楼医院，感染科科主任，主任医师，博士，博士后，博士生导师，美国斯坦福大学访问学者、香港大学 Research Fellow。擅长新发传染病、病毒性肝炎、脂肪性肝病的临床诊疗及免疫发病机制。主持国家自然科学基金4项。2018年获山东省首届“齐鲁卫生与健康领军人才培育工程杰青人才”称号，2022年获“江苏特聘医学专家”称号。2023年获“江苏省双创人才”称号。以第一作者/通讯作者在The Lancet Gastroenterology & Hepatology、Protein & Cell、JAMA Network Open、Hepatology、Clin Gastroenterol Hepato、American Journal of Gastroenterology、Diabetes Care等国际权威杂志发表SCI论文58篇。
南京中医药大学鼓楼临床医学院2022级博士研究生，以第一作者及共同第一作者发表SCI论文4篇，核心期刊论文数篇。参与多项国家级、省部级课题研究。
南京大学医学院附属鼓楼医院感染性疾病科成立于1978年，为江苏省“十二五”、“十三五”“兴卫工程”及“强卫工程”创新团队、江苏省临床重点专科、南京市医学重点专科。现为江苏省医学会感染病学分会候任主委单位。承担南京大学医学院、南京医科大学、南京中医药大学、徐州医科大学教学工作，并为南京大学、南京医科大学和南京中医药大学博士及硕士学位培养点。近年来，科室的科研创新不断发展，主持和参与国家、省、市级等科研课题80余项，获得多项科技进步奖；发表SCI收录论文百余篇。
每一项临床研究都倾注着研究团队的心血结晶。学习过后，您是否有所收获？或有疑问想与主创团队分享？请在评论区留言，期待与您交流！
查看更多
中国医学论坛报
壹生
今日肿瘤
今日循环
今日糖尿病
今日口腔
全科周刊
脱贫地区农副产品网络销售平台
京公网安备 11010202008182号
| 互联网新闻信息服务许可证编号：10120190017