编者按

慢性乙型肝炎（CHB）和肝脂肪变性（HS）是常见的慢性肝病，亚洲地区慢乙肝患者肝脂肪变性的流行率约为36.5%。慢乙肝合并HS的人群还在急剧增加，准确评估慢乙肝和肝脂肪变性的疾病负担及其相关的不良结局对于患者管理非常关键。

近期，来自南京大学医学院附属鼓楼医院李婕教授、杭州师范大学附属医院施军平教授、东南大学附属中大医院祁小龙教授等多团队联合在Clinical Gastroenterology and Hepatology发表成果，研究显示：随机森林（RF）模型为识别慢乙肝合并脂肪肝患者的进展期肝纤维化和肝硬化提供了可靠的无创工具，这对于两种疾病的联合治疗具有重大意义。

研究方法

这项多中心、回顾性、横断面研究（NCT05766449）于2004年4月至2022年9月在中国10家医疗中心纳入1198例接受肝活检的未经治疗的慢乙肝合并HS患者（训练队列：3个医疗中心、797例；独立的外部验证队列：7个医疗中心、401例）。

未经治疗的慢乙肝患者定义为HBsAg阳性至少6个月，并且在肝活检前未服用过任何核苷或核苷类似物。脂肪变性大于5%诊断为HS。根据Scheuer分级，≥ S3为进展期肝纤维化，S4为肝硬化。采用6个机器学习（ML）模型用于预测进展期肝纤维化和肝硬化。

患者特征

共纳入1198例合并HS的慢乙肝患者，平均年龄38岁（31 - 46岁），其中76%（910例）为男性。训练队列和验证队列的进展期肝纤维化和肝硬化的比例相似（进展期肝纤维化: 20.58% vs 21.20%, P = 0.803; 肝硬化: 7.40% vs 8.48%, P = 0.511）。相比验证队列，训练队列轻度肝脂肪变性的比例显著更高（84.44% vs 68.33%, P < 0.001）。

表1：患者特征

研究结果

01 RF模型对进展期肝纤维化和肝硬化的诊断性能最佳

在训练队列中，白蛋白（ALB）、碱性磷酸酶（ALP）、体重指数（BMI）、γ-谷氨酰转移酶（GGT）、HBsAg、国际标准化比值（INR）、血小板（PLT）和凝血酶原时间（PT）被用于建立随机森林-进展期肝纤维化（RF-AF）模型。年龄、ALB、ALP、BMI、GGT、HBsAg、INR、PLT、PT、总胆固醇（TC）和白细胞（WBC）被用于建立RF-肝硬化（RF-C）模型。建立诊断进展期肝纤维化和肝硬化的开放网页：https://py.reallife-liver.com/。

图2：Shapley加性解释图：随机森林算法中临床特征对进展期肝纤维化（A）、肝硬化（B）诊断的影响

在诊断进展期肝纤维化方面，6个最终ML模型（RF、GBC、GNB、DTC、MNB和KNN）的受试者工作特征曲线下面积（AUROCs）在训练队列为0.612 - 0.778，在验证队列为0.590 - 0.734。在诊断肝硬化方面，6个最终ML模型的AUROCs在训练队列为0.546 - 0.811，在验证队列为0.560 - 0.821。在两个队列中，RF-AF模型和RF-C模型分别对进展期肝纤维化和肝硬化显示出最佳的诊断性能。

图3：最终机器学习（ML）模型对进展期肝纤维化和肝硬化的诊断性能

02 RF模型与非侵入性检测对进展期肝纤维化和肝硬化的诊断性能比较

在诊断进展期肝纤维化方面，RF-AF模型的AUROC在训练队列为0.778（95%CI 0.749 - 0.807），在验证队列为0.734（95%CI 0.691 - 0.778）。在训练队列中，RF-AF模型的AUROC显著优于FIB-4和NFS（分别为0.701和0.675,P均< 0.05）。在验证队列中，RF-AF模型的AUROC略高于现有的非侵入性检测（NITs），但无统计学意义。

在诊断肝硬化方面，RF-C模型在训练队列和验证队列的AUROC分别为0.777（95%CI 0.748 - 0.806）和0.821（95%CI 0.783 - 0.858），显著高于FIB-4在训练队列和验证队列中的AUROC（分别为0.694和0.735,P均< 0.05）。在训练队列中，APRI与RF-C模型的AUROC无明显差异，但在验证队列中，APRI的诊断性能明显低于RF-C模型（0.771 vs 0.821, P = 0.049）。

表2：RF-AF模型、RF-C模型和非侵入性检测对进展期肝纤维化和肝硬化的诊断性能

图4：RF-AF模型、RF-C模型和非侵入性检测对进展期肝纤维化和肝硬化的诊断性能比较

肝霖君有话说

本研究基于机器学习建立RF-AF和RF-C模型用于诊断慢乙肝合并脂肪肝的进展期肝纤维化和肝硬化，这2个模型的诊断性能优于其他机器学习模型和现有的非侵入性检测。

先前李婕教授团队发表了基于机器学习的慢乙肝合并脂肪肝患者的肝脏炎症诊断模型、以及基于高斯朴素贝叶斯的PAP模型用于诊断慢乙肝合并脂肪肝患者的进展期肝纤维化和肝硬化。通过无创诊断模型评估慢乙肝合并脂肪肝患者的肝纤维化严重程度，有助于预测这类患者的肝组织学进展，但其准确性和有效性仍需要进行更多的验证和临床实践。

参考文献：  

Rui FJ, Xu L, Yeo YH, et al. Machine Learning-Based Models for Advanced Fibrosis and Cirrhosis Diagnosis in Chronic Hepatitis B Patients With Hepatic Steatosis [J]. Frontiers in immunology, 2022, 13: 1028921.