慢性乙型肝炎（CHB）和肝脂肪变性（HS）共存的问题日益普遍。CHB和HS均为慢性肝损伤的主要原因，增加患者罹患肝硬化和肝细胞癌的风险。慢性肝脏炎症是导致肝纤维化、肝硬化、肝癌发生的关键驱动力。因此，早期、准确识别CHB合并HS患者肝脏炎症的严重程度对改善患者的预后至关重要。

 

近日，我国南京大学医学院附属鼓楼医院李婕教授、杭州师范大学附属医院施军平教授、上海交通大学医学院附属瑞金医院谢青教授团队发表于《柳叶刀》子刊eClinicalMedicine（中科院1区，IF：15.1）的一项研究，基于机器学习算法，利用人口学及血清学指标构建CHB合并HS患者中重度肝脏炎症的无创诊断模型，该模型效能在多个验证队列以亚组中得到验证。

 

 

该研究是一项回顾性、多中心的队列研究，纳入2004年4月至2022年9月期间来自中国11家医疗中心1787名未经抗病毒治疗的CHB合并HS患者。689名患者作为训练队列（肝活检队列），509名患者肝活检验证队列1和589名患者超声验证队列2分别作为两个独立的外部验证队列。该研究应用shapley additive explanations方法评估23个特征在诊断中重度炎症（Scheuer’s system≥G3）的重要性。

 

分别使用7种机器学习方法GBC、RF、XGB、ADB、GNB、LR和KNN构建模型，最终来自训练队列的11个变量（AST、PT、PLT、ALB、GGT、HBeAg阳性、HBsAg、WBC、INR、BMI和Tbil）被纳入GBC模型用于识别中度至重度炎症。在训练队列中，GBC的AUC范围为0.62～0.86。在验证队列1（肝活检队列）和2（超声队列）中，AUC的范围分别为0.61～0.89和0.72～0.78（图1）。

 

图1. 机器学习模型诊断中度至重度肝脏炎症的ROC曲线

A.训练队列，B.验证队列1，C.验证队列2

 

表1. 机器学习模型对中度至重度肝脏炎症的诊断效能

 

为深入探讨GBC模型在特定患者群体中的诊断性能，研究进一步评估GBC模型在不同年龄、性别、BMI、HBeAg状态、HBV DNA水平和是否患有糖尿病患者亚组中诊断中重度肝脏炎症的表现。在训练队列和两个外部验证队列中，GBC模型在HBV DNA ≥105 IU/mL的患者中具有最高的AUC，分别为0.87（95%CI：0.84～0.91）、0.90（95%CI：0.86～0.94）和0.79（95%CI：0.74～0.83）。

 

该研究通过多种机器学习方法构建CHB合并HS患者的无创炎症预测模型，最终选择GBC构建模型，同时评估GBC模型在外部肝活检和超声诊断的HS验证队列及不同亚组中的性能，证明GBC模型的可推广性和稳定性。为方便临床医生使用该模型，该团队建立一个免费网站https://py3.reallife-liver.com/。该研究建立的GBC模型有可能成为一种有价值的无创诊断工具，用于精准识别并发HS的CHB患者的肝脏炎症。

 

南京大学医学院附属鼓楼医院李婕教授、杭州师范大学附属医院施军平教授、上海交通大学医学院附属瑞金医院谢青教授为本文的共同通讯作者。南京中医药大学鼓楼临床医学院博士研究生芮法娟、洛杉矶Cedars-Sinai医院消化科杨毅辉博士、天津市第二人民医院徐亮主任为本文的共同第一作者。

 

致谢

 

感谢杭州师范大学附属医院施军平教授团队、上海交通大学医学院附属瑞金医院谢青教授团队、天津市第二人民医院徐亮教授团队、福建医科大学第一附属医院郑琦教授团队、郑州大学第一附属医院曾庆磊教授团队、镇江第三医院谭友文教授团队、台州恩泽医院何泽宝教授团队、无锡市第五人民医院邱源旺教授团队、苏州大学附属传染病医院朱传武教授团队和淮安市第四人民医院丁蔚茅教授团队的数据支持和课题指导。

 

 

声明：本文仅供医疗卫生专业人士了解最新医药资讯参考使用，不代表本平台观点。该信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议，如果该信息被用于资讯以外的目的，本站及作者不承担相关责任。