一种基于无创指标的慢性乙型肝炎炎症分期机器学习预测模型

《Scientific Reports》：A machine learning predictive model for staging chronic hepatitis B inflammation based on non-invasive metrics

　　

摘要

对于慢性乙型肝炎（CHB）患者而言，早期筛查和抗病毒治疗对于控制严重的肝脏炎症仍存在显著障碍，这些障碍是实现疾病逆转的关键。本研究的目的是基于临床可获得的血液学指标，开发一种机器学习预测模型来评估患者的肝脏炎症情况。这项多中心回顾性研究纳入了2014年至2022年间接受肝脏穿刺活检的未经治疗的CHB患者。通过基尼指数（Gini index）和Lasso算法筛选出最具代表性的特征。最终通过综合评估接收者操作特征曲线下面积（AUROC）和决策曲线分析（decision curve analysis）等参数，选择了诊断性能最佳的机器学习模型。本研究共纳入了1,592名慢性乙型肝炎患者。最终确定了四个用于构建预测模型的指标：天冬氨酸转氨酶（AST）、γ-谷氨酰转肽酶（GGT）、甲胎蛋白（AFP）和白蛋白-球蛋白比值（AGR）。该模型的AUROC值介于0.79至0.84之间，尤其在女性患者中，AUROC值达到了0.85至0.88。此外，还开发了一个公开可用的在线工具用于评估肝脏炎症。这种简单、无创的工具在评估慢性乙型肝炎患者的严重肝脏炎症方面具有良好的诊断价值，适用于早期筛查。