慢性病毒性肝炎患者是肝细胞癌（HCC）的高发人群，准确的HCC风险预测有助于制定适当的癌症监测策略和减少癌症死亡。我国香港大学黄炜燊教授等研发了一种新型机器学习模型HCC岭评分（HCC-RS），为包括慢性乙型肝炎病毒（HBV）和丙型肝炎病毒（HCV）感染在内的慢性病毒性肝炎患者提供了准确的HCC风险评分。该模型比现有HCC风险评分更精准，有望被纳入电子医疗卫生系统。

 

（JHEP Reports 2022.https://doi.org/10.1016/j.jhepr.2022.100441）

 

研究方法

 

该项全港性、回顾性、观察性、队列研究使用医院管理局数据协作实验室（HADCL）数据，对2000～2018年中国香港慢性病毒性肝炎患者进行分析，包括慢性乙型肝炎和（或）丙型肝炎的病毒标志物、诊断代码和抗病毒治疗，旨在建立并验证新型机器学习模型，以预测全港范围的慢性病毒性肝炎患者队列中的HCC。

 

研究者以7：3的比例将患者随机分组至训练队列和验证队列，使用并比较了五种流行的机器学习方法，即逻辑回归（logistic regression）、岭回归（ridge regression）、AdaBoost、决策树（decision tree）和随机森林（random forest），以找到最佳预测模型。

 

研究结果

 

结果，共纳入124 006名数据完整的慢性病毒性肝炎患者来建立模型，包括训练队列86 804例（HCC 6821例）和验证队列37202例（HCC 2875例）。在训练队列中，岭回归模型[受试者工作特征曲线下面积（AUROC）0.842]、决策树模型（AUROC 0.952）和随机森林模型（AUROC 0.992）的表现最好。

 

在验证队列中，岭回归（AUROC 0.844）和随机森林（AUROC 0.837）机器学习模型继续保持其准确性，同时显著高于其他HCC风险评分：CU-HCC（AUROC 0.672）、GAG-HCC（AUROC 0.745）、REACH-B（AUROC 0.671）、PAGE-B（AUROC 0.748）和REAL-B（AUROC 0.712）评分，详见表1。

 

表1.在验证队列中，对比HCC-RS与现有HCC风险评分诊断HCC的准确性

（引自发表文章）

 

由于岭回归模型在所有或选定参数的训练和验证队列中取得了一致的良好表现，因此形成了HCC岭评分（HCC-RS）以进一步比较。在验证队列中，HCC-RS的低截止值（0.07）达到了90.0%的灵敏度和98.6%的阴性预测值（NPV）。HCC-RS的高截止值（0.15）实现了高特异性（90.0%）和高NPV（95.7%），详见表2。

 

表2.评估机器学习模型HCC-RS诊断HCC的准确性

（引自发表文章）

 

研究结论

 

岭回归机器学习模型HCC-RS准确预测了慢性病毒性肝炎患者的HCC发生。研究者认为，这些机器学习模型可以开发用于电子健康管理系统中的内置功能或计算器，以促进病毒性肝炎的消除和降低癌症的死亡。

 

参考文献：Wong GL, Hui VW, Tan Q, et al. Novel machine learning models outperform risk scores in predicting hepatocellular carcinoma in patients with chronic viral hepatitis. JHEP Rep. 2022 Jan 22;4(3):100441.