开发并验证了一种可解释的机器学习模型，该模型利用综合的临床和超声特征来无创区分IgA肾病和膜性肾病

《European Journal of Medical Research》：Development and validation of an explainable machine learning model for non-invasive discrimination between IgA nephropathy and membranous nephropathy using integrated clinical and ultrasound features

　　

摘要

目的

区分IgA肾病（IgAN）和膜性肾病（MN）通常需要进行侵入性的肾活检。本研究旨在开发并验证一个可解释的机器学习模型，利用整合的临床和超声特征来非侵入性地区分这两种疾病。

方法

我们招募了308名患者，并将他们随机分为训练组（n=216）和测试组（n=92）。收集了临床和肾超声特征数据。评估了15种机器学习算法，包括集成方法、传统分类器和先进技术。特征选择使用LASSO算法完成，模型可解释性通过SHAP分析得到验证。

结果

训练组和测试组的基线特征分布均衡（所有P值>0.05）。LASSO算法识别出17个关键变量，SHAP分析显示白蛋白、年龄和eGFR是主要的预测因子。在所有模型中，判别分析（Discriminant Analysis）的表现最佳，训练集的AUC为0.962，测试集的AUC为0.968。该模型在训练集的准确率为94.0%，在测试集的准确率为88.0%，并且其概率曲线校准良好。SHAP分析确认白蛋白（平均|SHAP|=0.184）是最具影响力的特征，其次是年龄（0.161）和eGFR（0.105）。尽管测试了复杂的方法，判别分析仍表现出优异的泛化能力和一致性。

结论

我们成功开发了一个可解释的机器学习模型，能够利用非侵入性的临床和超声参数准确区分IgAN和MN。该模型具有较高的区分性能和可解释的预测结果，可作为概念验证的证据支持临床决策；在临床应用之前，仍需进行前瞻性的多中心外部验证。