用于筛查非酒精性脂肪肝病（MASLD）中脂肪变性的机器学习模型：一项国际验证研究

《LIVER INTERNATIONAL》：Machine Learning Models for Screening Steatosis in MASLD: An International Validation Study

本研究通过整合五个队列数据库，比较了6种机器学习模型与28种传统评分在代谢相关脂肪肝（MASLD）检测中的应用。结果显示，极端梯度提升模型（XGB）在所有数据库中AUROC均超过0.8，尤其在 lean亚组中结合血脂指标和腰围检测效果显著。生存分析表明MASLD患者总体生存率显著低于非患者组，且逻辑回归模型对生存预测能力较强。结论：XGB模型在MASLD检测中优于传统方法。

　　

摘要

背景与目的

新兴的机器学习模型在解决非侵入性筛查代谢功能障碍相关性脂肪性肝病（MASLD）这一未满足的需求方面显示出潜力，但缺乏广泛的验证。我们的目标是确定最有效的MASLD检测模型。

方法

本研究纳入了五个队列：中国南方的MASLD流行病学调查（2020年1月至2022年3月）、英国生物银行数据库（2007年4月至2010年12月）、NHANES III数据库（1988–1994年）、NHANES 2017–2020数据库以及来自中国南方的多中心肝脏活检数据数据库。肝脂肪变的诊断通过振动控制瞬态弹性成像、基于磁共振成像的质子密度脂肪分数、超声检查和活检来确定。共分析了34种方法，包括6个机器学习模型和28个传统评分指标。进行了生存分析，以评估这些指标对MASLD预后的预测价值。

结果

最终分析共纳入了24,861名受试者。极端梯度提升（XGB）模型在所有五个数据库中检测MASLD的接收者操作特征曲线下面积（AUROC）均超过0.8。在瘦体型受试者亚组中，甘油三酯-葡萄糖指数与腰围的结合得出的AUROC范围为0.60至0.88。在NHANES数据库中，MASLD组的总体生存率显著低于非MASLD组（p?

结论

XGB模型在检测MASLD方面优于传统的非侵入性方法。

试验注册

该研究已在中国临床试验注册平台（ChiCTR2000034197）上注册。

利益冲突

作者声明没有利益冲突。

数据可用性声明

如需获取支持本研究结果的数据，可向通讯作者提出合理请求。