用于识别MAFLD患者肝纤维化的机器学习模型的构建与验证：一项回顾性模型构建研究

《BMC Medical Informatics and Decision Making》：Development and validation of a machine learning model for identifying liver fibrosis in MAFLD: a retrospective model development study

　　

摘要

背景

代谢功能障碍相关脂肪肝病（MAFLD）是全球最为常见的慢性肝病，其与代谢综合征的患病率密切相关。肝脏纤维化是该疾病进展过程中的关键阶段，会显著增加肝硬化、肝衰竭以及肝细胞癌的风险。及早识别高风险患者对于阻止疾病进展至关重要。我们利用常规收集的临床数据，开发并内部验证了一种机器学习模型，用于识别存在VCTE定义的肝脏纤维化的MAFLD患者。

方法

本研究在2020年1月至2025年10月期间选取了2728名研究对象。通过最小绝对值收缩和选择算子（LASSO）回归、Boruta算法以及递归特征消除（RFE）方法，筛选出了ALT、AST、SBP、BMI、WHR、DBP、LDL-C和GGT这八项关键变量。分类模型则包括逻辑回归、决策树、随机森林、XGBoost、LightGBM、支持向量机（SVM）以及人工神经网络（ANN）。此外，还运用列线图和SHapley加性解释方法来阐释所构建的模型。

结果

本研究共纳入2728名患者，其中1013例（38%）存在肝脏纤维化。XGBoost、LightGBM和随机森林在这方面的性能大致相当。

结论

所提出的机器学习模型在识别MAFLD患者中存在VCTE定义的肝脏纤维化方面具有临床应用潜力。在将其投入常规临床应用之前，还需要进行外部验证以及前瞻性临床评估。