利用血清 CHI3L1 与机器学习进行无创肝纤维化诊断

《iScience》：Leveraging serum CHI3L1 and machine learning for non-invasive liver fibrosis diagnostics

　　

项目符号•通过机器学习建立与 CHI3L1 相关的肝纤维化诊断模型•肝纤维化准确快速的实验室诊断方法•适用于多种临床场景的敏感、特异且可视化的诊断模型

摘要
本研究旨在基于机器学习（ML），使用几丁质酶 3 样蛋白 1（CHI3L1）开发无创肝纤维化诊断模型。共纳入 1011 名随访患者（556 名训练集/455 名验证集），通过瞬时弹性成像对纤维化进行分期（F01、F2、F23、F34 和 F4）。收集了人口统计学、临床和实验室参数。通过差异分析和相关性分析选择纤维化相关指标。开发、优化并验证了机器学习模型。从 23 个初始实验室指标中，筛选出 15 个指标开发了一个 5 期肝纤维化诊断模型（XG-Boost, FIB5-15, 曲线下面积 [AUC] = 0.93, 敏感性 = 0.70, 特异性 = 0.93）。该模型被精简为 7 指标模型（FIB5-7, ROC 曲线下面积 [AUC] = 0.98）。通过合并 F2/F23 和 F34/F4，创建了一个 3 类优化模型（FIB3-7, AUC = 0.94）和一个 2 类模型（FIB2-7, AUC = 0.95）以识别可逆性纤维化。最终的 FIB2-7 模型显著优于天冬氨酸氨基转移酶 - 血小板比率指数（APRI）和 FIB-4（p < 0.001）。与 CHI3L1 相关的肝纤维化模型适用于多种临床场景。

图形摘要

引言
肝纤维化是肝病进展过程中的关键阶段，在此阶段，炎症刺激、氧化应激和肝细胞损伤等各种因素会激活肝星状细胞。这些细胞发生活化并转化为肌成纤维细胞，导致过度细胞外基质的积累，从而引起肝脏瘢痕形成和肝纤维化。一旦肝纤维化程度达到晚期（F3 和 F4 期），逆转纤维化的机会显著降低。因此，肝纤维化的早期诊断和治疗可以有效地逆转肝病的进展，并有可能治愈肝脏疾病。诊断肝纤维化的金标准是肝组织活检以确定纤维化程度。然而，肝活检存在诸多缺点，如创伤性、成本高以及可能存在采样误差或组织采集不当。因此，并非所有肝病患者都适合进行肝活检，这导致了对可靠且无创的诊断方法的持续需求。随着医疗影像技术的进步，一些无创影像技术已广泛用于肝纤维化的诊断。例如，瞬时弹性成像（TE）和磁共振弹性成像通过评估肝脏的弹性和硬度，间接反映纤维化程度。系统综述分析显示，TE 检查在筛查和监测肝纤维化方面具有较高准确性，包括酒精性或非酒精性肝病，尤其是病毒性肝炎，其特点是无创、简单且相对经济，使其成为一种可靠的工具。最近的研究发现，血清标志物能准确反映肝纤维化程度。例如，检测血清中的血源性纤维化相关蛋白质或算法，包括几丁质酶 3 样蛋白 1（CHI3L1）、透明质酸（HA）、层粘连蛋白（LN）、III 型前胶原 N 端肽（PIIINP）、IV 型胶原（Col IV）、基质金属蛋白酶及其抑制剂以及炎症介质，以评估肝纤维化程度。这些方法具有无创、方便和良好的重复性等优势，尽管仍需进一步研究和验证。人工智能（AI）技术随着其快速发展，也被广泛应用于肝纤维化诊断。AI 利用机器学习（ML）和对大量临床信息、影像数据和实验室指标的分析，提供肝纤维化的准确诊断和预测。例如，基于深度学习的用于影像或血清分析的 AI 算法实现了肝纤维化分级的自动化。因此，AI 技术正成为肝纤维化诊断中的必要工具，尽管它需要广泛的数据验证和持续改进。本研究旨在在大型临床队列中检测肝纤维化血清标志物 CHI3L1，并通过 AI 机器学习方法将其与 TE 技术相结合，建立针对各种原因引起的肝病的无创肝纤维化诊断模型。

结果

临床队列基线特征
本研究共纳入 1011 名来自肝病门诊的随访患者，其中 556 名在训练队列，455 名在验证队列（图 1）。收集了所有参与者的临床参数，共 54 个指标。排除了填充率低于 60% 的指标，最终本研究纳入了 23 个指标。表 1 总结了训练队列中不同纤维化阶段参与者的基线特征。除了体重指数（BMI）（p = 0.095）和平均红细胞体积（MCV）（p = 0.103）在训练队列的五个纤维化阶段（F01、F2、F23、F34 和 F4）之间无显著差异外，其余 21 个指标在纤维化阶段组之间差异显著（p < 0.05）。

图 1 研究流程图
显示完整标题
图片查看器
ALD，酒精相关肝病；MAFLD，代谢功能障碍相关脂肪性肝病。

基线特征
| 基线特征 | 训练队列 | F01 (n = 186) | F2 (n = 87) | F23 (n = 72) | F34 (n = 80) | F4 (n = 131) | All (n = 556) |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| 性别 | – | – | – | – | – | – | – |
| 男 | – | 120 (64.5%) | 51 (58.6%) | 52 (72.2%) | 55 (68.8%) | 109 (83.2%) | 387 (69.6%) |
| 女 | – | 66 (35.5%) | 36 (41.4%) | 20 (27.8%) | 25 (31.2%) | 22 (16.8%) | 169 (30.4%) |
| 年龄（岁） | – | 45 (35–54) | 51 (39–57) | 52 (43–57) | 54 (44–59) | 52 (48–59) | 50 (40–57) ?? |
| BMI (kg/m2) | – | 24.2 (22.0–26.4) | 24.2 (22.5–26.3) | 25.5 (23.7–27.7) | 23.6 (21.2–26.0) | 24.5 (22.5–27.3) | 24.2 (22.1–27.0) |
| AST (U/L) | – | 23.7 (20.2–29.9) | 28.7 (22.0–41.0) | 35.5 (27.8–53.3) | 37.9 (28.6–56.3) | 40.9 (28.4–71.5) | 29.7 (22.8–46.4) ?? |
| ALT (U/L) | – | 23.3 (16.4–35.1) | 25.6 (16.2–45.0) | 36.7 (26.3–51.8) | 35.0 (21.7–64.2) | 28.7 (18.9–53.6) | 28.5 (18.3–47.7) ?? |
| γGGT (U/L) | – | 27.9 (19.0–52.4) | 41.0 (20.7–65.7) | 55.0 (31.6–110.1) | 59.4 (31.8–137.5) | 59.0 (35.8–149.0) | 42.7 (24.4–89.3) ?? |
| ALP (U/L) | – | 79.1 (66.5–98.6) | 89.2 (69.7–118.9) | 85.3 (72.0–124.6) | 107.1 (86.0–130.5) | 114.9 (82.8–143.8) | 90.1 (71.8–120.4) ?? |
| CHE (U/L) | – | 8815 (7761–9982) | 8155 (6749–9585) | 8294 (6374–9940) | 6728 (5227–8246) | 3734 (2716–5217) | 7552 (5287–9274) ?? |
| TP (g/L) | – | 76.5 (73.4, 78.8) | 75.6 (72.5, 78.7) | 76.1 (74.4, 79.6) | 75.4 (72.2, 80.4) | 63.0 (57.2, 72.8) | 75.1 (69.9, 78.6) ?? |
| ALB (g/L) | – | 45.9 (44.1, 47.5) | 44.5 (43.4, 47.0) | 44.9 (42.8, 47.0) | 42.8 (39.9, 45.5) | 33.4 (28.1, 38.7) | 44.1 (39.7, 46.5) ?? |
| GLO (g/L) | – | 30.5 (27.8, 32.6) | 30.3 (28.4, 32.9) | 30.5 (29.0, 35.6) | 33.0 (29.7, 37.1) | 31.2 (26.9, 36.2) | 30.8 (28.0, 34.2) ?? |
| A/G | – | 1.52 (1.36–1.67) | 1.49 (1.30–1.60) | 1.47 (1.22–1.60) | 1.28 (1.12–1.49) | 1.10 (0.91–1.27) | 1.42 (1.16–1.60) ?? |
| TBIL (μmol/L) | – | 15.3 (11.9–19.4) | 14.7 (11.7–18.7) | 18.9 (14.3–23.6) | 19.9 (15.4–26.4) | 30.0 (17.3–64.8) | 17.4 (13.0–25.4) ?? |
| DBIL (μmol/L) | – | 2.6 (2.0–3.3) | 2.4 (2.0–3.3) | 3.5 (2.7–4.5) | 3.8 (2.9–6.7) | 8.4 (4.5–25.6) | 3.3 (2.3–5.7) ?? |
| IBIL (μmol/L) | – | 12.6 (9.7–16.1) | 12.4 (9.6–15.3) | 15.6 (12.0–19.5) | 15.6 (12.2–19.8) | 21.2 (12.6–42.8) | 13.9 (10.7–19.7) ?? |
| TBA (μmol/L) | – | 1.8 (1.3–3.1) | 2.6 (1.6–4.8) | 3.5 (2.3–12.3) | 6.9 (4.4–15.5) | 31.6 (13.9–94.8) | 3.9 (1.8–15.0) ?? |
| RBC (1012/L) | – | 4.88 (4.49–5.31) | 4.99 (4.42–5.43) | 4.97 (4.48–5.30) | 4.71 (4.40–5.05) | 3.71 (3.00–4.30) | 4.63 (3.93–5.09) ?? |
| HB (g/L) | – | 151 (130–161) | 150 (137–163) | 149 (135–165) | 148 (138–160) | 111 (93–136) | 144 (119–159) ?? |
| HCT | – | 0.44 (0.40–0.47) | 0.45 (0.41–0.48) | 0.44 (0.41–0.49) | 0.43 (0.43–0.46) | 0.33 (0.28–0.40) | 0.42 (0.35–0.46) ?? |
| MCV (fL) | – | 89.4 (87.1–92.8) | 90.6 (87.6–93.3) | 90.5 (87.6–93.3) | 90.4 (88.0–96.4) | 91.7 (86.5–98.3) | 90.5 (87.2–94.5) |
| MCH (pg) | – | 30.3 (29.2–31.6) | 30.6 (29.4–31.8) | 30.8 (29.5–31.9) | 31.2 (30.1–32.6) | 31.7 (29.6–34.3) | 30.8 (29.4–32.5) ?? |
| PLT (10?/L) | – | 220 (215–227) | 216 (216–216) | 187 (156–205) | 132 (124–146) | 79 (52–107) | 197 (125–220) ?? |
| CHI3L1 (ng/mL) | – | 45.8 (33.1–70.2) | 52.0 (36.5–107.7) | 70.8 (41.8–134.4) | 99.7 (66.3–196.3) | 184.3 (101.2–320.0) | 74.84 (43.0–159.2) ?? |

表 1
基线临床特征
临床特征的分类数据以频率（百分比）表示，定量数据以中位数（四分位距）表示。表格第一行中，“n"代表肝纤维化组中的参与者数量。组间性别的差异使用 Pearson 卡方检验，其他基线特征使用独立 Kruskal-Wallis H 检验。?, p < 0.05; ??, p < 0.01。BMI，体重指数；AST，天冬氨酸氨基转移ase；ALT，丙氨酸氨基转移酶；γGGT，γ-谷氨酰转移酶；ALP，碱性磷酸酶；CHE，胆碱酯酶；TP，总蛋白；ALB，白蛋白；GLO，球蛋白；A/G，白蛋白与球蛋白比值；TBIL，总胆红素；DBIL，直接胆红素；IBIL，间接胆红素；TBA，总胆汁酸；RBC，红细胞计数；HB，血红蛋白；HCT，红细胞压积；MCV，平均红细胞体积；MCH，平均红细胞血红蛋白量；PLT，血小板；CHI3L1，几丁质酶 3 样 1。
在新标签页中打开表格

纤维化生物标志物的选择
本研究中包含的肝纤维化特异性血清标志物 CHI3L1 在五个纤维化阶段之间差异显著（图 2A, p < 0.001）。通过进行受试者工作特征（ROC）分析评估了 CHI3L1 诊断肝纤维化的准确性。CHI3L1 诊断纤维化进展（F34 和 F4, ROC 曲线下面积 [AUC] = 0.82, 敏感性 = 0.80, 特异性 = 0.70）和肝硬化（F4, AUC = 0.83, 敏感性 = 0.77, 特异性 = 0.76）的能力表现相似，表明 CHI3L1 能有效区分肝纤维化的严重阶段，如图 2B 所示。然而，在单标志物分析中，指定截断阈值处的约登指数对于区分纤维化进展并不理想（图 2B）。因此，需要对多个标志物进行综合分析，以探索肝纤维化阶段血清指标的最佳组合。对除性别外的 20 个数值变量进行了 Spearman 相关性分析（图 2C; 表 S1），以避免指标间强相关性导致的模型过拟合，并排除了相关系数 R 的绝对值 > 0.75 的变量（保留单一变量）。结果表明，红细胞压积（HCT）、血红蛋白（HB）和红细胞计数（RBC）之间高度相关（R 分别为 0.95、0.91 和 0.86）；间接胆红素（IBIL）、直接胆红素（DBIL）和总胆红素（TBIL）之间（R 分别为 0.84、0.97 和 0.89）；球蛋白（GLO）和白蛋白与球蛋白比值（A/G）之间（R = ?0.86）；以及天冬氨酸氨基转移酶（AST）和丙氨酸氨基转移酶（ALT）之间（R = 0.78）；因此，最终使用 RBC、TBIL、GLO 和 AST 开发模型。

图 2 纤维化标志物筛选
显示完整标题
图片查看器
(A) 不同肝纤维化组之间的 CHI3L1 水平。数据以中位数和四分位距表示。两组之间通过 Mann-Whitney 检验。?p < 0.05, ??p < 0.01, ???p < 0.001。NS，无显著性。纤维化阶段 F01, n = 186; F2, n = 87; F23, n = 72; F34, n = 80; 和 F4, n = 131。
(B) CHI3L1 诊断纤维化进展（F34 和 F4）和肝硬化（F4）的 ROC。基于 CHI3L1 检测说明书中晚期肝纤维化（78.85 ng/mL）和肝硬化（107.70 ng/mL）的截断值进行 ROC 分析。纤维化阶段 F01&F2&F23, n = 345; F34&F4, n = 211; F01&F2&F23&F34, n = 425; 和 F4, n = 131。
(C) 20 个肝纤维化相关临床特征之间的关联。对 20 个数值变量进行了 Spearman 相关性分析。数字为相关系数，用于生成热图。

机器学习模型建立用于肝纤维化诊断
进行差异和相关性分析后，排除了 BMI、MCV、HCT、HB、IBIL、DBIL、A/G 和 ALT（表 1; 图 2C）。最终，基于血清中的 15 个临床指标，使用机器学习建立了一个五分类的无创肝纤维化诊断模型（命名为 FIB5-15）。在开发的五个肝纤维化模型中，肝纤维化模型 XG-Boost 表现最佳（ROC 曲线下面积，AUC = 0.93, 敏感性 = 0.70, 特异性 = 0.93）（表 2）。选择了相对权重（> 0.35）的前 7 个指标以简化分析模型并重新构建 XG-Boost 模型（命名为 FIB5-7, 表 3; 图 S1, 网站见补充信息），该模型也显示出良好的诊断性能（AUC = 0.94, 敏感性 = 0.67, 特异性 = 0.93），与 FIB5-15 分析模型相比，组间 AUC 无显著差异（p > 0.05, 表 S2）。FIB5-7 对无纤维化（AUC = 0.96, 敏感性 = 0.90, 特异性 = 0.83, 表 3）和肝硬化（AUC = 0.98, 敏感性 = 0.77, 特异性 = 0.95, 表 3）显示出良好的诊断价值。然而，诊断轻度纤维化阶段（F2、F23 和 F34; 表 4）的敏感性并不理想，尽管特异性较高，表明该模型在区分肝纤维化阶段进展方面具有良好的诊断价值。

| 模型 | AUC | F1 分数 | 敏感性 | 特异性 | 准确性 | NPV | PPV |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| Ada-Boost | 0.80 | 0.51 | 0.53 | 0.90 | 0.63 | 0.92 | 0.66 |
| XG-Boost | 0.93 | 0.72 | 0.70 | 0.93 | 0.75 | 0.94 | 0.74 |
| Random forest | 0.90 | 0.69 | 0.67 | 0.93 | 0.73 | 0.93 | 0.74 |
| Gradient boosting | 0.86 | 0.57 | 0.56 | 0.91 | 0.65 | 0.92 | 0.61 |
| Decision tree | 0.85 | 0.68 | 0.67 | 0.92 | 0.69 | 0.92 | 0.71 |

表 2
FIB5-15 肝纤维化诊断模型
FIB5-15 肝纤维化诊断模型是使用选定的 15 个指标建立的，包括血小板、总胆汁酸、总蛋白、碱性磷酸酶、γ-谷氨酰转移酶、红细胞计数、几丁质酶 3 样 1、胆碱酯酶、平均红细胞血红蛋白量、球蛋白、总胆红素、白蛋白、天冬氨酸氨基转移酶、年龄和性别。AUC，ROC 曲线下面积；NPV，阴性预测值；PPV，阳性预测值。加粗表示最佳模型。
在新标签页中打开表格

| 纤维化阶段 | AUC | F1 分数 | 敏感性 | 特异性 | 准确性 | NPV | PPV |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| F01 | 0.96 | 0.80 | 0.90 | 0.83 | 0.85 | 0.94 | 0.73 |
| F2 | 0.91 | 0.59 | 0.50 | 0.96 | 0.89 | 0.91 | 0.72 |
| F23 | 0.88 | 0.56 | 0.55 | 0.94 | 0.89 | 0.93 | 0.57 |
| F34 | 0.94 | 0.64 | 0.63 | 0.94 | 0.90 | 0.94 | 0.65 |
| F4 | 0.98 | 0.80 | 0.77 | 0.95 | 0.92 | 0.93 | 0.83 |
| 平均 | 0.94 | 0.68 | 0.67 | 0.93 | 0.72 | 0.93 | 0.70 |

表 3
XG-Boost 的 FIB5-7 肝纤维化诊断模型
FIB5-7 肝纤维化诊断模型是使用选定的前 7 个相对权重指标建立的，包括总胆汁酸、红细胞计数、碱性磷酸酶、γ-谷氨酰转移酶、总蛋白、血小板和几丁质酶 3 样 1。AUC，ROC 曲线下面积；NPV，阴性预测值；PPV，阳性预测值。
在新标签页中打开表格

| 纤维化阶段 | AUC | F1 分数 | 敏感性 | 特异性 | 准确性 | NPV | PPV |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| F01 | 0.95 | 0.87 | 0.71 | 0.97 | 0.89 | 0.87 | 0.93 |
| F2 & F23 | 0.89 | 0.70 | 0.77 | 0.82 | 0.81 | 0.90 | 0.64 |
| F34 & F4 | 0.96 | 0.88 | 0.90 | 0.91 | 0.91 | 0.94 | 0.86 |
| 平均 | 0.94 | 0.80 | 0.80 | 0.90 | 0.80 | 0.90 | 0.81 |

表 4
XG-Boost 的 FIB3-7 肝纤维化诊断模型
AUC，ROC 曲线下面积；NPV，阴性预测值；PPV，阳性预测值。
在新标签页中打开表格

为了优化无创肝纤维化模型并提高诊断敏感性，将纤维化阶段进行了合并（F2 和 F23，F34 和 F4）。

随后，构建了另一个 XG-Boost 模型（命名为 FIB3-7，网站见补充信息），结果见表 4。FIB3-7 的 AUC 为 0.94，诊断灵敏度和特异性分别为 0.80 和 0.90（图 S1）。对二分类结局进行了 XG-Boost 分析，以展示肝纤维化模型的多样性（命名为 FIB2-7，网站见补充信息），包含校准曲线和决策曲线分析。二分类基于纤维化是否进展，即将五个纤维化分期分为两组：F0-F2 和 F3-F4。FIB2-7 模型显示出最佳的 AUC（0.95，95% 置信区间 [CI]：0.92–0.98），灵敏度和特异性分别为 0.85 和 0.92（表 5；图 S1）。FIB2-7 模型的校准曲线和决策曲线分析显示在任何阈值下均表现优异，表明相比对所有患者干预或完全不干预，对患者进行干预（TE 或活检）具有更高的收益（图 3A 和 3B）。

图 3 决策曲线和校准曲线分析
显示完整标题
图片查看器
(A) 训练队列和验证队列的决策曲线分析。
(B) 训练队列的校准曲线分析。
(C) 验证队列的校准曲线分析。

| 阳性分期 | AUC | F1 分数 | 灵敏度 | 特异性 | 准确率 | NPV | PPV |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| F3-F4 | 0.95 (0.92–0.98) | 0.90 | 0.85 | 0.92 | 0.86 | 0.90 | 0.87 |

表 5 XG-Boost 的 FIB2-7 肝纤维化诊断模型
AUC，ROC 曲线下面积；NPV，阴性预测值；PPV，阳性预测值。
在新标签页中打开表格

肝纤维化诊断模型的外部验证
对 XG-Boost 模型进行了外部验证（n = 455；基线临床特征见表 S3）。使用 FIB5-7（FIB5-7 Val）进行模型验证，与训练队列相比，AUC 略有下降（AUC = 0.77，灵敏度 = 0.48，特异性 = 0.87；表 S4；图 S1）。在三分类优化后（FIB3-7 Val），AUC 增加至 0.82（灵敏度 = 0.68，特异性 = 0.84；表 S5；图 S1）。在整合肝纤维化分期后（FIB2-7 Val），XG-Boost 模型的 AUC 达到 0.88，灵敏度和特异性分别为 0.67 和 0.92（表 S6；图 S1）。同样，校准曲线和决策曲线显示出了优异的性能（图 3A 和 3C）。

肝纤维化诊断模型与其他模型的比较
在训练队列中，将 FIB2-7 模型的 XG-Boost 与临床诊断和治疗中广泛使用的两个模型——天冬氨酸氨基转移酶 - 血小板比值指数（APRI）和 FIB-4 进行比较，以验证其分析性能。结果表明，与 APRI 和 FIB-4 相比，FIB2-7 具有更高且显著不同的诊断效能（表 6）。

| 模型 | AUC [95% CI] | 灵敏度 | 特异性 | 最佳 Youden 指数 | p 值 | DeLong 检验 |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| APRI | 0.83 [0.79–0.87] | 0.75 | 0.81 | 0.56 | ??? | ??? |
| FIB4 | 0.88 [0.85–0.91] | 0.81 | 0.83 | 0.63 | ??? | ??? |
| FIB2-7 | 0.95 [0.92–0.98] | 0.85 | 0.92 | 0.77 | – | ??? |

表 6 XG-Boost 模型 FIB2-7、APRI 和 FIB-4 的比较
p 值为 ROC 分析的结果。DeLong 检验的结果是将 APRI 和 FIB-4 与 FIB2-7 进行比较。???, p < 0.001。
在新标签页中打开表格

讨论
肝纤维化是由于长期炎症和损伤导致肝内纤维结缔组织过度积聚和增生引起的。当肝纤维化进展为肝硬化时，肝功能几乎完全丧失，导致肝衰竭和门静脉高压等严重后果，严重影响人类健康。肝纤维化是肝癌的关键前推病变，是其发展的重要风险因素之一。因此，及时治疗和适当的疾病管理可以有效缓解病情，延缓疾病进展，改善已患有肝纤维化患者的生活质量。然而，肝组织病理活检并不适合诊断轻度肝纤维化患者或小型社区医疗机构。面临选择时，患者更倾向于选择无创且便捷的诊断。因此，开发肝纤维化的无创诊断工具对于日常诊断和治疗过程更为实用，临床实验室迫切需要开发更先进和智能的方法来解决这个问题。

人工智能（AI）和机器学习（ML）在医疗诊断领域具有重要的应用价值。多种指标的结合可以提高临床诊断的准确性，这恰恰是机器学习模型的优势。许多研究报告通过联合使用多种指标建立了机器学习诊断模型，显示出比使用单一指标诊断肝纤维化具有更优的诊断价值。张等人利用包括乙肝病毒 DNA（HBV-DNA）、国际标准化比值、凝血酶时间、白蛋白（ALB）和血小板（PLT）在内的五个选定特征，建立了慢性乙型肝炎肝纤维化的无创诊断模型，发现决策树模型在不同独立数据集中显示出最佳诊断性能，平均 AUC 为 0.8617（标准差 0.02377），基于不同纤维化分期组间 AUC 值计算的相对标准差为 2.7585。随后，决策树模型被应用于训练队列和外部验证队列，相对标准差为 0.116，显示出更稳定和最佳的泛化性能。由于本研究仅纳入了肝病门诊随访队列的患者，凝血测试并不常规进行，只有 F4 期患者才常规进行凝血测试。因此，我们无法直接将张等人的诊断模型与本研究的模型进行比较。来自加拿大的 Sarvestany 等人的另一项研究，通过集成五个机器学习模型利用 12 个参数开发了一种集成（ENS）算法，实现了平均受试者工作特征曲线下面积（AUROC）为 0.795（标准差 0.031），在没有不确定分类的情况下平均 AUROC 为 0.787（标准差 0.042），优于其他五个机器学习模型、APRI 和 FIB-4。有趣的是，在一个外部验证队列中，ENS（F012 与 F34 的截断值为 0.465）显示出 80.8% 的灵敏度，而 TE（F012 与 F34 的截断值为 8.0）为 92.3%，两种方法具有相同的 63.8% 特异性。此外，ENS（0.465）的 AUROC 仅比 TE（8.0）低 0.053（0.773 [95% CI: 0.699–0.834] 对 0.826 [95% CI: 0.758–0.889]）。这表明 TE 可能为大多数符合检查标准的患者提供准确的纤维化诊断，支持了在本研究中将 TE 用作门诊随访患者肝纤维化评估诊断标准的可行性。临床实验室数据全面丰富，报告不仅反映了检验项目的数值变化，还能更准确地指示疾病风险，这是本研究的起点。

CHI3L1 最初由 Johansen 等人于 1992 年在人骨肉瘤细胞系 MG63 中发现，属于 18-糖苷水解酶家族，肽链由 383 个氨基酸组成，相对分子质量约为 40 kDa。因此，CHI3L1 也被称为 YKL-40。CHI3L1 基因在肝脏中的表达高于心脏、大脑和肾脏等其他组织，在肝细胞和肝星状细胞中表达最高。因此，作为一种新的炎症标志物和细胞因子，CHI3L1 是肝脏中高表达的蛋白，可能是肝病的良好标志物。一些研究证明了 CHI3L1 在肝纤维化中的潜在作用。病毒性肝炎患者中，CHI3L1 在严重纤维化肝组织中的表达显著增加，其水平与病毒性肝炎纤维化的进展相关，表明 CHI3L1 可能参与肝纤维化的发生发展。此外，与 HA 和 PIIINP 相比，CHI3L1 具有更优的诊断价值。Harrison SA 等人使用前瞻性多中心研究验证了非酒精性肝病中的 CHI3L1 结合其他血液标志物（miR-34a-5p、α-2 巨球蛋白和糖化 HB），可无创诊断非酒精性脂肪性肝炎和肝纤维化（AUROC = 0.80, 95% CI: 0.73–0.85），且无需对年龄、性别、BMI 或氨基转移酶浓度进行调整。酒精性肝病中 CHI3L1 的表达也与肝硬化相关，较高的 CHI3L1 表达与较短的生存期相关。尽管有这些观察结果，CHI3L1 在肝纤维化中的确切作用机制仍不清楚，需要进一步研究。此外，目前尚不清楚 CHI3L1 是否可以作为肝纤维化的潜在治疗靶点，因此需要进一步调查。

在本研究中，使用机器学习方法建立了各种肝纤维化诊断模型。建立 FIB5-7 肝纤维化诊断模型以全面反映肝功能，同时减少患者的实验室检查。建立 FIB3-7 和 FIB2-7 模型以提高早期纤维化诊断的灵敏度，进一步提高诊断 AUC 和灵敏度。不同的诊断模型可以应用于不同的场景。FIB5-7 可应用于社区医疗机构和体检中心，适用于一般人群和轻度肝功能异常患者。大型综合性医疗机构中具有更特定肝脏疾病的患者，如肝炎病毒、酒精、异常脂肪代谢和自身免疫性疾病，可以使用 FIB3-7 和 FIB2-7 更灵敏地诊断轻度和晚期肝纤维化，鼓励患者寻求及时治疗和缓解。确实，不同肝脏疾病的肝纤维化诊断阈值各不相同。某些伴随急性肝脏炎症（特征是 ALT 和 AST 显著升高）的肝脏状况，如急性病毒性肝炎、药物性肝炎和酒精性肝炎，可能会产生夸大的肝脏硬度测量值（LSM），无法准确反映真实的纤维化分期。重要的是，本研究队列仅包含经过严格筛选的随访患者，通过全面的病历审查排除了处于急性肝炎期或有显著胆汁淤积的患者。此外，正如临床指南所强调的，ALT 水平随年龄自然下降可能导致应用年龄依赖性诊断模型时高估纤维化，特别是在老年人群中。在生物标志物选择期间，我们发现在纤维化各分期中 AST 和 ALT 之间存在强共线性（R = 0.78）。在开发 FIB5-15 模型时，我们保留 AST 而排除 ALT，以减轻与炎症相关的偏差。随后的优化产生了未纳入 AST 的 FIB5-7 模型，因为其相对权重证明不显著（<0.35）。这种系统的建模策略有效最小化了肝脏炎症对纤维化评估的混杂影响。此外，模型诊断结果的可视化也可以直接简洁地呈现给医生和患者，具有更高的接受度。

本研究使用机器学习方法综合分析临床实验室数据，评估了 CHI3L1 作为新肝纤维化生物标志物的诊断价值，并建立了一个具有良好准确性和可靠性的无创肝纤维化诊断模型。该模型在临床实践中提供了全面的肝纤维化评估，使肝纤维化患者能够更早和更有效地干预和治疗。

研究的局限性
我们的研究也有一些局限性。本研究在单中心进行，尽管单一 TE 检查员减少了 TE 结果不一致的影响，但这可能也限制了我们的诊断模型在其他中心应用时展示类似优异诊断价值的能力。因此，我们未来的计划是在其他中心验证该模型，并在更大的队列中对其进行优化。此外，本研究未使用组织病理活检结果作为肝纤维化的诊断标准，这可能会给研究带来不准确。本研究的前提是评估 CHI3L1 诊断模型对在常规临床实践中检查的患者的肝纤维化的诊断价值，这些患者通常不需要组织病理活检用于诊断和治疗目的。此外，本研究表明 TE 检查在检测肝纤维化方面具有很高的诊断准确性，可以作为肝纤维化分类的初始筛查测试替代肝组织活检。因此，TE 检查结果被用作肝纤维化分类的标准。

资源可用性
首席联系人
有关更多信息和资源的请求应发送至首席联系人 Jing Huang ([e-mail])，并将由其满足。
材料可用性
本研究未生成新的独特试剂。
数据和代码可用性
• 本文中报告的所有数据将在请求时由首席联系人共享。原始实验数据已归档在研究中心的机构存储库中。由于患者隐私数据限制，数据集不能公开共享。基于安全数据共享协议和联合学习框架的建立，在通讯作者批准后，可根据请求提供数据。有兴趣访问原始数据的研究人员可以通过电子邮件联系通讯作者。

应合理要求并伴有适当的理由，作者将分享相关数据集。
•本文未报告原始代码。在结果部分，我们提供了一个用于诊断模型的开放访问网站。请注意，网站上的指标和结果目前以中文显示。为了便于模型的更广泛使用，我们建议读者使用 Microsoft Edge 浏览器访问该网站。利用 Microsoft Edge 内置的翻译功能，内容可自动翻译为读者的母语，从而提高更广泛受众的理解度和可用性。
FIB5-7 网站：https://dxonline.deepwise.com/prediction/index.html?baseUrl=%2Fapi%2F&id=41649&topicName=undefined&from=share&platformType=wisdom。
FIB3-7 网站：https://dxonline.deepwise.com/prediction/index.html?baseUrl=%2Fapi%2F&id=41668&topicName=undefined&from=share&platformType=wisdom。
FIB2-7 网站：https://dxonline.deepwise.com/prediction/index.html?baseUrl=%2Fapi%2F&id=41679&topicName=undefined&from=share&platformType=wisdom
•重新分析本文中报告的数据所需的任何附加信息，均可根据要求从主要联系人处获得。
致谢
我们感谢所有参与本研究的患者及其合作与贡献。我们衷心感谢贝克曼库尔特公司的数据科学家张浩、程玉明和王霞林，感谢他们在筛选生物标志物和数据分析方面的帮助和建议。本工作得到极智分析平台（https://www.xsmartanalysis.com/）的支持。本工作得到了吉林省卫生健康委员会科技能力提升项目（编号：2022JC059）的资助。
作者贡献
所有作者均参与了研究的构思和设计。材料准备和实验操作由 H.C.、G.Z.、Y.Z.、L.L. 和 Y.C. 完成；数据收集和分析由 G.Z. 和 H.C. 完成。稿件初稿由 G.Z. 和 H.C. 撰写。实验监督和稿件审阅由 J.H. 完成。
利益声明
作者声明无利益冲突。
STAR★方法
关键资源表

| 试剂或资源 | 来源 | 标识符 |
| :--- | :--- | :--- |
| **生物样本** | | |
| 随访患者血清 | 吉林大学第一医院 | N/A |
| **沉积数据** | | |
| 原始和分析数据 | 本文 | 见表 1 和 S3 |
| **软件和算法** | | |
| 极智分析平台 | 贝克曼库尔特 | https://www.xsmartanalysis.com/ |
| GraphPad Prism (版本 8.0.2) | GraphPad 软件 | https://www.graphpad.com/resources |
| **其他** | | |
| 瞬时弹性成像 | Echosens | FibroScan 502 |
| 血清 CHI3L1 水平 | YHLO 公司 | iFlash |
| 血常规指标 | 希森美康公司 | Sysmex XN-9000 |
| 血液生化指标 | 贝克曼库尔特公司 | AU5800 |
| 凝血功能指标 | 希森美康公司 | Sysmex cs-5100 |
| 肿瘤标志物 | 罗氏公司 | Cobas e601 |

在新标签页中打开表格

实验模型和研究参与者详情
这项回顾性研究已获得吉林大学第一医院伦理委员会批准（编号：2022-354）。本研究纳入了 2021 年 6 月至 2022 年 10 月期间在吉林大学第一医院肝病诊所就诊的随访患者（1,011 名，来自中国东北人群），并将其瞬时弹性成像（TE）测试结果作为肝纤维化的诊断标准。
2021 年 6 月至 2022 年 8 月期间，共有 556 名随访患者被纳入训练队列。纳入标准如下：出现于 TE 诊所进行 TE 检查，且符合 TE 检查标准；询问后有病毒性肝炎、酒精性肝病、非酒精性脂肪性肝病、自身免疫性肝病及其他肝病病史，或有相关实验室检查证据；进行了实验室检查并采集了血清。排除标准如下：不符合 TE 检查标准，包括存在腹水、进食（空腹或餐后 2 小时测试）、严重肥胖、肋间隙狭窄和胆汁淤积；过去六个月内接受过 TE 检查并继续接受肝纤维化治疗；合并其他疾病，包括肝细胞癌和遗传病病史；特殊人群，如孕妇。采用时间序列独立方法建立训练集和验证集，2022 年 9 月至 10 月期间，另有 455 名随访患者被纳入外部验证队列，这些患者也来自吉林大学第一医院。纳入这些患者是为了进行外部验证，他们接受了与训练队列相同的诊断方案，以便进行比较分析和评估。在 556 名随访患者的训练队列中，包括 387 名男性（69.6%）和 169 名女性（30.4%）；在 455 名随访患者的验证队列中，包括 262 名男性（57.6%）和 193 名女性（42.4%）。使用皮尔逊卡方检验分析纤维化组之间的差异，结果显示训练队列中纤维化组之间的性别差异显著（p < 0.01，表 1），而在验证队列中未观察到显著差异（p = 0.567，表 S3）。在 556 名随访患者的训练队列中，建立的肝纤维化诊断模型 FIB5-15 最初将性别作为指标。然而，在通过减少指标优化模型后，由于相对权重较低（0.0425），性别被排除在 FIB5-7 肝纤维化诊断模型之外。因此，验证队列中纤维化组之间无显著差异的性别指标并未影响纤维化模型的验证。本研究将生物性别作为临床变量纳入统计分析。由于患者隐私担忧和病历收集的局限性，未分析性别祖源、种族和民族，这可能会给研究结果带来一定的局限性。本研究中进行 TE 检查的医生接受了标准化培训，并拥有至少 500 例测试经验，能够独立进行检查。

方法详情
采集所有受试者的血清样本，采用化学发光法（深圳爱博才科技有限公司）检测肝纤维化蛋白 CHI3L1。通过实验室信息系统收集受试者的人口统计学、临床和实验室参数，包括性别、年龄、BMI、临床诊断、实验室检查结果（包括血常规、肝功能检查和肿瘤标志物）。

机器学习平台与模型开发工作流程
所有统计分析和机器学习模型构建均使用极智分析平台（贝克曼库尔特，https://www.xsmartanalysis.com/）进行，这是一个专门用于临床数据挖掘和预测建模的综合性基于 R 语言的环境。该平台提供了预测模型开发的集成六步工作流程，包括数据预处理、统计分析、特征选择、模型训练、性能评估和外部验证。

步骤 1：肝纤维化分期。根据本中心 FibroScan 平台常规应用的截断值，基于 TE 衍生的肝脏硬度测量值（LSM）将研究队列分为五组。肝纤维化分为五个等级如下：LSM <7.3 kPa 定义为 F0–F1 期（无或轻度纤维化）；LSM 7.3–9.7 kPa 为 F2 期（轻度纤维化）；LSM 9.7–12.4 kPa 为 F23 期（中度纤维化）；LSM 12.4–17.5 kPa 为 F34 期（重度纤维化）；LSM >17.5 kPa 为 F4 期（肝硬化）。为了优化模型，F34 被视为不可逆或晚期纤维化的阈值，而 F23 作为合并相邻组的边界，以增强对具有临床行动意义截断值的诊断敏感性。

步骤 2：特征选择和降维。应用独立的克鲁斯卡尔 - 沃利斯 H 检验评估所有 23 个临床特征在五个纤维化阶段之间的统计差异，选择显示显著差异（P < 0.05）的指标作为候选预测因子。为了避免多重共线性和过拟合，对所有数值变量进行了斯皮尔曼等级相关分析。当两个或更多变量表现出相关系数 |R| > 0.75 时，仅保留与纤维化临床相关性最成熟的变量，而排除冗余变量。具体而言，保留 RBC 而非 HB 和 HCT；保留 TBIL 而非 IBIL 和 DBIL；保留 GLO 而非 A/G；保留 AST 而非 ALT。这一过滤过程产生了 15 个用于模型构建的核心特征集，包括血小板计数、总胆汁酸、总蛋白、碱性磷酸酶、γ-谷氨酰转肽酶、红细胞计数、CHI3L1、胆碱酯酶、平均红细胞血红蛋白含量、球蛋白、总胆红素、白蛋白、天冬氨酸氨基转移酶、年龄和性别。

步骤 3：模型训练和算法比较。使用训练队列中的 15 个选定特征训练并比较了五种机器学习分类算法：AdaBoost、XGBoost、随机森林、梯度提升机和决策树。所有模型均使用训练队列内随机样本划分的 3 至 7 折交叉验证策略开发，用于五分类（F01、F2、F23、F34 和 F4）。使用受试者工作特征（ROC）曲线评估模型性能，并计算每个模型的曲线下面积（AUC）以评估判别能力。

步骤 4：模型选择和优化。XGBoost 算法在纤维化阶段间表现出最高的总体 AUC（0.93）以及最平衡的敏感性和特异性，被选为最佳模型。使用内置的基于增益的重要性指标对特征重要性进行排序，保留相对权重超过 0.35 的前七个指标以构建简化模型（FIB5-7）。为了进一步提高对早期纤维化的诊断敏感性，基于纤维化可逆性的临床概念，将五个组别合并为三类（F01、F2–F23 和 F34–F4）以及一个二分类结果（F0–F23 对 F3–F4）。使用校准曲线评估模型预测概率与观察结果之间的一致性，并进行决策曲线分析以评估优化模型在不同阈值概率下的净临床获益。

步骤 5：外部验证。使用时间独立的验证队列（n = 455）对外部验证优化后的 XGBoost 模型（FIB5-7、FIB3-7 和 FIB2-7），无需进行任何模型重新校准，保留从训练集得出的原始系数和截断值。在验证集中为每个模型变体重新计算了包括 AUC、敏感性、特异性、准确率、F1 分数和预测值在内的性能指标。

步骤 6：模型部署。最后，建立的诊断模型作为开放在线工具公开访问，使临床应用中能够实时进行无创肝纤维化风险评估。基于 Web 的界面允许用户输入所需的实验室参数，并立即获得相应的预测纤维化分期及概率估计。

定量与统计分析
差异分析
在极智分析平台中，使用独立的克鲁斯卡尔 - 沃利斯 H 检验分析训练队列（F01 n = 186, F2 n = 87, F23 n = 72, F34 n = 80, F4 n = 131, 总 n = 556）和外部验证队列（F01 n = 126, F2 n = 86, F23 n = 78, F34 n = 67, F4 n = 98, 总 n = 455）中纤维化组间以中位数（四分位距）表示的临床指标差异。使用皮尔逊卡方检验分析组间以频率（百分比）表示的性别差异（表 1 和 S1）。使用 GraphPad Prism（版本 8.0.2）通过曼惠特尼检验分析肝纤维化组间血清 CHI3L1 水平的差异（图 1A，CHI3L1 水平以中位数表示，带四分位距）。在极智分析平台上使用 Delong 检验比较构建的无创肝纤维化诊断模型之间的性能差异（FIB5-15 对 FIB5-7，表 S2）。

相关性分析
在平台中应用斯皮尔曼相关分析，评估显示显著差异的 20 个数值临床指标的相关性（图 1C，热图中的数字为相关系数）。

ROC 分析
基于诊断晚期肝纤维化（F3 和 F4，78.85 ng/mL）和肝硬化（F4，107.70 ng/mL）的截断值进行 CHI3L1 的 ROC 分析（图 1B）。

数据以中位数表示，带四分位距。如果 p < 0.05，则认为差异具有显著性。

补充信息 (1)
PDF (465.50 KB)
文件 S1. 图 S1 和表 S1–S6