
-
生物通官微
陪你抓住生命科技
跳动的脉搏
综述:基于肝脏和脾脏弹性成像预测临床显著门脉高压和高风险食管静脉曲张的模型:传统与机器学习方法的系统综述
《Journal of Ultrasound》:fiLiver and spleen elastography–based prediction models for clinically significant portal hypertension and high-risk esophageal varices: a systematic review of conventional and machine-learning approaches
【字体: 大 中 小 】 时间:2026年10月16日 来源:Journal of Ultrasound 1.6
编辑推荐:
摘要有临床意义的门静脉高压症(CSPH)和高危食管静脉曲张(HREV)的存在是慢性肝病失代偿和死亡率的主要预测因子。肝脏和脾脏弹性成像已成为经证实的门静脉压力无创标志物,越来越多的研究将弹性成像测量值与传统统计和机器学习(ML)模型相结合以预测这些结果。本系统综述识别、批判性
有临床意义的门静脉高压症(CSPH)和高危食管静脉曲张(HREV)的存在是慢性肝病失代偿和死亡率的主要预测因子。肝脏和脾脏弹性成像已成为经证实的门静脉压力无创标志物,越来越多的研究将弹性成像测量值与传统统计和机器学习(ML)模型相结合以预测这些结果。本系统综述识别、批判性评估并综合了开发或验证纳入肝脏和/或脾脏弹性成像的预测模型以预测 CSPH 和/或 HREV 的研究。结构化的文献检索识别了在慢性肝病成人中使用瞬时弹性成像、剪切波弹性成像或磁共振弹性成像开发或验证预测模型的研究。使用 PROBAST+AI 评估偏倚风险和适用性。由于弹性成像模式、预测算法和结果定义存在显著异质性,研究结果采用叙述性方式进行综合。2015 年至 2025 年间发表的十一项研究符合纳入标准。其中三项评估了将弹性成像作为输入特征的机器学习算法(LightGBM、逻辑回归/XGBoost 混合及人工神经网络),而八项使用了传统的截断值或回归方法。表现最好的模型在逻辑回归和 XGBoost 中结合了肝硬度、脾硬度和纤维化 -4 指数,在三个独立数据集的 HREV 预测中实现了 0.902–0.927 的 AUROC 值,并优于早期仅使用肝硬度的模型。两项最新的、经过外部验证的多中心机器学习研究显示偏倚风险低,而较早的、规模较小的单中心研究经常显示风险高或不清楚,特别是在分析域,因为缺乏外部验证。整合肝脏和脾脏弹性成像与实验室参数的机器学习辅助模型显示出令人前景的性能,但在广泛临床应用之前值得进一步进行外部验证。
有临床意义的门静脉高压症(CSPH)和高危食管静脉曲张(HREV)的存在是慢性肝病失代偿和死亡率的主要预测因子。肝脏和脾脏弹性成像已成为经证实的门静脉压力无创标志物,越来越多的研究将弹性成像测量值与传统统计和机器学习(ML)模型相结合以预测这些结果。本系统综述识别、批判性评估并综合了开发或验证纳入肝脏和/或脾脏弹性成像的预测模型以预测 CSPH 和/或 HREV 的研究。结构化的文献检索识别了在慢性肝病成人中使用瞬时弹性成像、剪切波弹性成像或磁共振弹性成像开发或验证预测模型的研究。使用 PROBAST+AI 评估偏倚风险和适用性。由于弹性成像模式、预测算法和结果定义存在显著异质性,研究结果采用叙述性方式进行综合。2015 年至 2025 年间发表的十一项研究符合纳入标准。其中三项评估了将弹性成像作为输入特征的机器学习算法(LightGBM、逻辑回归/XGBoost 混合及人工神经网络),而八项使用了传统的截断值或回归方法。表现最好的模型在逻辑回归和 XGBoost 中结合了肝硬度、脾硬度和纤维化 -4 指数,在三个独立数据集的 HREV 预测中实现了 0.902–0.927 的 AUROC 值,并优于早期仅使用肝硬度的模型。两项最新的、经过外部验证的多中心机器学习研究显示偏倚风险低,而较早的、规模较小的单中心研究经常显示风险高或不清楚,特别是在分析域,因为缺乏外部验证。整合肝脏和脾脏弹性成像与实验室参数的机器学习辅助模型显示出令人前景的性能,但在广泛临床应用之前值得进一步进行外部验证。