基于双弹性成像的机器学习模型无创预测药物性肝损伤的严重组织病理学

《European Radiology》：Noninvasive prediction of severe histopathology in drug-induced liver injury using a dual elastography-based machine learning model

　　

目的 开发并验证一种整合双弹性成像（dual elastography）、临床特征和血清生物标志物的机器学习（machine learning, ML）模型，用于无创预测严重药物性肝损伤（drug-induced liver injury, DILI）。材料与方法 这项前瞻性多中心研究连续纳入接受肝活检和双弹性成像的DILI患者。严重DILI定义为Scheuer炎症分级加纤维化分期≥5（G+S≥5）。双弹性成像衍生的活动性指数（A index）和纤维化指数（F index）与病理炎症（G0–4）和纤维化（S0–4）分期相关。数据集按分层抽样以7:3分为训练集和测试集。采用LASSO回归进行特征选择。构建并比较了八种ML模型，通过五折交叉验证和贝叶斯方法进行优化。性能通过曲线下面积（area under the curve, AUC）、灵敏度和特异度进行评估。使用SHapley Additive exPlanations（SHAP）解释模型。结果 共纳入305名参与者（中位年龄49岁，IQR 40–56；98名男性），其中55名患有严重DILI，250名未患。A index和F index分别随炎症分级和纤维化分期增加而增加（p<0.01）。结合临床特征、双弹性成像特征和血清生物标志物，优化后的正则化回归模型（regularized regression model）在测试集中表现最佳（AUC 0.862 [95% CI: 0.776–0.947]；灵敏度81.2%；特异度74.7%）。SHAP分析确定双弹性成像指标共同为主要预测因子。基于该模型开发了一个在线风险计算器。结论 研究人员开发了一种可解释、高性能且基于双弹性成像的ML模型来预测严重DILI，有助于风险分层和初步管理。

## 论文解读：基于双弹性成像的机器学习模型无创预测药物性肝损伤严重组织病理学

### 研究背景与问题

药物性肝损伤（drug-induced liver injury, DILI）是一种临床表现广泛的复杂疾病。尽管多数患者在停药后能自行恢复，但约20%会进展为急性肝衰竭或肝硬化。在组织病理学上，活动期严重病例的特征是炎症和纤维化同时存在。纤维化通常继发于药物诱导的肝细胞坏死，但DILI发病时已有的纤维化预示着更差的预后。重要的是，炎症分级和纤维化分期均可预测不良结局，仅评估单一维度无法完整捕捉总体损伤负荷。因此，准确评估DILI组织损伤严重程度对于早期风险分层和优化管理至关重要。

目前DILI严重程度评估方法存在不足。常规血清学标志物缺乏特异性，易受非肝脏因素影响。传统评分系统（如Hy's law和终末期肝病模型[MELD]）的预后价值有限。虽然复合模型（如BNR-6、Ashby恢复评分）和新生物标志物（如细胞角蛋白-18、骨桥蛋白）已被探索，但它们分别存在预测能力不足和缺乏标准化检测阈值的问题。肝活检虽然是评估严重程度的金标准，但其侵入性限制了常规应用。

影像学检查克服了血清学检测的空间限制，可显示肝脏结构。MRI虽在识别特征和预测DILI慢性化方面显示出前景，但其广泛应用受限于高成本和复杂流程。剪切波弹性成像（shear wave elastography, SWE）已被广泛验证用于肝纤维化评估，但硬度测量受炎症和淤血干扰。这一限制在DILI中尤为关键，因为炎症和纤维化需要同时评估。因此，SWE无法准确反映纤维化负荷或独立评估炎症活动。

新兴的双弹性成像技术整合了SWE和实时组织弹性成像（real-time tissue elastography, RTE），可同时获得反映组织硬度的纤维化指数（F index）和表征组织黏弹性的活动性指数（A index），从而实现对纤维化和炎症的定量评估。尽管该方法在慢性乙型肝炎和代谢功能障碍相关脂肪性肝病（MASLD）中已显示出区分炎症和纤维化分期的价值，但其在DILI中的应用尚属空白。

### 研究目的与意义

这项前瞻性研究旨在：（1）阐明DILI中双弹性成像参数与组织病理学严重程度之间的相关性；（2）开发并验证一种基于双弹性成像的机器学习（machine learning, ML）模型，用于无创识别严重病例（定义为炎症分级加纤维化分期≥5 [G+S≥5]）。该研究发表于《European Radiology》。解决这一未满足的需求有助于实现早期风险分层、及时干预，并改善高危DILI患者的预后。

### 主要技术方法

这是一项前瞻性多中心研究，于2020年12月至2022年6月在中国五家三级医院进行，连续招募疑似DILI的患者。纳入标准：年龄18–80岁；Roussel Uclaf因果关系评估方法（RUCAM）评分≥6或3–5分经专家共识确认；3天内完成肝活检和双弹性成像；签署知情同意书。排除标准：合并其他明确病因的肝病（病毒性肝炎、酒精性肝病、自身免疫性肝炎、遗传/代谢性肝病、原发性胆汁淤积性肝病或寄生虫感染）；肝活检样本不足；双弹性成像失败；妊娠。最终纳入305名患者（中位年龄49岁，IQR 40–56；98名男性），其中55名（18.0%）达到严重DILI复合终点（G+S≥5）。双弹性成像使用日立Arietta 850超声系统（FUJIFILM Healthcare）和C252探头（1–6 MHz）进行。软件提供14个定量参数（11个组织弥散参数、2个剪切波参数和声衰减系数[ATT]），并计算三个衍生指标：F index、A index和肝脏纤维化指数（LFI）。肝活检标本由两名经验丰富的肝脏病理学家（≥10年经验）独立阅片，使用Scheuer半定量评分系统评估炎症分级（G0–G4）和纤维化分期（S0–S4）。特征选择采用LASSO回归，结合预定义核心参数（F index和A index），去除高度共线性变量（|r|>0.9）。使用合成少数过采样技术（SMOTE）处理类别不平衡。构建并比较八种ML模型（随机森林[RF]、支持向量机[SVM]、广义线性模型[GLM]、梯度提升机[GBM]、K近邻[KNN]、人工神经网络[NNET]、正则化回归[RR]和决策树[DT]），通过五折交叉验证和贝叶斯优化调整超参数。模型性能通过AUC、灵敏度、特异度等指标评估，并使用SHAP进行解释。

### 研究结果

#### 参与者特征

305名DILI患者中，55名（18.0%）达到严重DILI（G+S≥5）。与轻中度组（G+S<5，n=250）相比，严重组年龄更大，BMI和INR更高，ALB更低（所有p<0.01）。严重组在双弹性成像参数中显示更高的A index、F index、Vs、E、%AREA、COMP、SD、SKEW和IDM，但更低的MEAN和ATT。数据集按分层随机抽样的7:3分为训练集（n=214）和内部测试集（n=91），严重DILI患病率得到保持（18.2% vs. 17.6%，p=1），两组基线特征具有可比性。

#### 双弹性成像参数与组织病理学变化的关联

随着肝脏炎症分级增加，双弹性成像衍生的A index值显著增加（p<0.01）；随着肝纤维化分期进展，F index值也显著增加（p<0.01）。对于≥G2，A index的AUC为0.791（95% CI: 0.737–0.845），灵敏度和特异度分别为65.6%和79.0%；对于≥G3，AUC为0.790，灵敏度55.8%，特异度87.5%；对于G4，AUC为0.853，灵敏度81.8%，特异度77.6%。

#### 构建和验证基于双弹性成像参数的ML模型预测严重DILI

**特征选择**：LASSO回归识别出10个特征，结合预定义核心参数（F index和A index）后，因Vs与F index高度相关（r=0.929）而被排除。最终模型包含11个特征：F index、A index以及BMI、INR、TB、ALB、HDL-C、COMP、SKEW、ASM和ATT。

**模型构建与比较**：比较八种ML模型，RR模型在AUC（0.840）上与RF相近，但召回率（0.875 vs. 0.438）和F1-score（0.596 vs. 0.452）显著更高，因此被选为优化模型。

**模型优化与性能**：优化后的RR模型在训练集中表现良好（AUC 0.872 [0.834–0.910]；灵敏度78.3%；特异度85.1%），在内部测试集中保持稳健（AUC 0.862 [0.776–0.947]；灵敏度81.2%；特异度74.7%）。阳性预测值（PPV）从82.6%降至40.6%，阴性预测值（NPV）从81.4%升至94.9%。

**模型解释与可视化**：SHAP分析显示，F index、A index和INR是与风险增加相关的因素（高值增加概率），而ALB和ATT与风险降低相关。SHAP依赖图证实，随着F index、A index和INR升高以及ALB降低，严重DILI的概率增加。

#### 基于优化RR模型的严重DILI在线网络计算器

最终优化的RR模型被部署为公开可用的网络计算器（https://wznng666.shinyapps.io/RR55555/）。临床医生可输入患者临床和双弹性成像参数，实时获取严重DILI的估计概率。该计算器基于约登指数确定的最佳概率切点提供自动风险分层和初步管理指导。

### 讨论总结

研究人员首次系统性地应用双弹性成像进行DILI组织病理学严重程度的无创评估。在305名经活检证实的患者中，A index和F index分别与炎症分级和纤维化分期强相关。整合这些双弹性成像参数与血清学标志物的RR模型对严重组织学损伤实现了稳健的区分能力（AUC 0.862 [95% CI: 0.776–0.947]；准确率75.8%），SHAP分析证实了双弹性成像指标对模型预测输出的贡献。值得注意的是，血清生化指标（ALT和AST）在严重组和非严重组之间无显著差异，突出了传统转氨酶在反映结构损伤方面的局限性。MELD和Hy's law的AUC接近随机水平（0.563和0.506），而RR模型显著优于两者（DeLong检验p<0.001）。F index在早期纤维化中表现中等，可能因急性DILI中并发炎症和水肿掩盖了硬度增加。纹理异质性参数（SKEW和COMP）提供了关键的微结构信息，严重DILI中SKEW和COMP升高反映了肝脏实质内不均匀的应变分布，对应于DILI的斑片状病理改变。ATT被意外识别为保护因素，可能与急性肝细胞坏死和气球样变改变组织密度从而降低声衰减有关。BMI作为风险预测因子，与肥胖相关亚临床炎症降低肝毒性阈值的“多重打击”假说一致。该模型的临床效用主要在于风险分层：高NPV（0.949）使临床医生能够排除严重组织学损伤并避免不必要的肝活检；中等的PPV（0.406）提示高危预测应作为进一步评估的警示信号。研究存在一定局限性：样本量对机器学习而言较小；纳入符合活检指征的患者存在选择偏倚；采用的Scheuer评分系统主要针对病毒性肝炎，可能无法完全捕捉DILI特异性特征；G+S≥5的复合阈值缺乏针对硬终点（肝衰竭、移植或死亡）的前瞻性验证。

### 研究结论

基于双弹性成像衍生的F index和A index可无创评估DILI中的肝脏炎症和纤维化。整合这些参数与血清学标志物的机器学习模型实现了对严重组织学损伤的DILI患者的稳健区分和预测能力，显著优于传统工具。配套的在线风险计算器为临床风险分层和干预提供了初步指导。鉴于中国与西方国家在病因和DILI表型上的差异，未来需要大样本外部验证研究来确认这些发现的普适性。