将胰岛素抵抗(Insulin Resistance, IR)生物标志物纳入机器学习模型可提升代谢功能障碍相关脂肪性肝病(Metabolic Dysfunction–Associated Steatotic Liver Disease, MASLD)的诊断准确性
《Diabetes, Metabolic Syndrome and Obesity》:Incorporating Insulin Resistance Biomarkers into Machine Learning Models Enhances Diagnostic Accuracy for Metabolic Dysfunction–Associated Steatotic Liver Disease
编辑推荐:
摘要:目的 探讨将IR相关生物标志物纳入机器学习(Machine Learning, ML)诊断模型对代谢功能障碍相关脂肪性肝病(Metabolic Dysfunction–Associated Steatotic Liver Disease, MASLD)诊
摘要:目的 探讨将IR相关生物标志物纳入机器学习(Machine Learning, ML)诊断模型对代谢功能障碍相关脂肪性肝病(Metabolic Dysfunction–Associated Steatotic Liver Disease, MASLD)诊断准确性的增量价值。方法 此项单中心回顾性研究纳入于研究中心接受常规健康体检的18,535名成人(5992例患MASLD,12,543例未患MASLD)。构建两组特征集:特征集1含人口学、人体测量学、临床及生化指标;特征集2在特征集1基础上追加IR相关生物标志物,包括甘油三酯–葡萄糖(Triglyceride–Glucose, TyG)系列指数及代谢性胰岛素抵抗评分(Metabolic Score for Insulin Resistance, METS-IR)。采用6种ML算法构建诊断模型,以灵敏度、特异度、F1分数及受试者工作特征曲线下面积(Area Under the Curve, AUC)评估训练集与验证集上的模型性能,并以决策曲线分析(Decision Curve Analysis, DCA)评价临床效用,采用Shapley Additive exPlanations(SHAP)对模型进行可解释性分析。结果 纳入IR相关生物标志物后,全部6种ML模型的AUC均较原模型显著提高(均P < 0.05)。验证集中,采用特征集2的极端随机树(Extremely Randomized Trees, ERT)模型AUC最高(0.901)。DCA显示纳入IR相关生物标志物的模型通常提供更高净临床获益,其中ERT模型在区分度与临床效用方面综合表现最优。SHAP分析进一步证实IR相关生物标志物在MASLD诊断中的重要贡献。结论 将IR相关生物标志物纳入ML诊断模型可提升MASLD检出准确性与临床效用,且不增加检测费用及受试者负担,支持其作为一般人群MASLD筛查的决策辅助工具。
《Diabetes, Metabolic Syndrome and Obesity》刊载的此研究,针对代谢功能障碍相关脂肪性肝病(Metabolic Dysfunction–Associated Steatotic Liver Disease, MASLD,2023年由非酒精性脂肪性肝病 NAFLD 更名而来)早期常无症状、肝活检有创受限、影像学筛查成本高且难以大规模开展、现有简易评分(如FIB-4)受年龄等因素限制诊断准确性不足的临床痛点,以及胰岛素抵抗(Insulin Resistance, IR)虽为MASLD核心发病机制、TyG指数与METS-IR等IR生物标志物已在传统回归模型中获验证、但其对传统线性模型共线性的挑战及在机器学习(Machine Learning, ML)模型中超出常规临床变量的增量诊断价值尚未被系统量化的问题,由重庆医科大学第二附属医院研究人员开展回顾性研究,证实将IR相关生物标志物(TyG-WHtR与METS-IR)纳入基于常规体检指标的ML模型可显著提升MASLD诊断效能与临床净获益,最佳模型为极端随机树(Extremely Randomized Trees, ERT)模型(验证集AUC=0.901),为低成本人群筛查提供了可解释的决策支持工具。
研究人员自2017年7月至2025年1月重庆市某三级医院健康体检中心招募完成肝脏多普勒超声及体检的成人,排除<18岁及资料不全者,最终纳入18,535例(MASLD 5992例,非MASLD 12,543例),按7∶3划分为训练集与验证集。经Pearson相关性筛选(|r|≥0.7聚类中保留1~2个临床可解释变量,方差膨胀因子VIF<10)构建两组特征集:特征集1(Set 1)含年龄、性别、身高、体重、腰围WC、吸烟史、运动频率、饮酒量、收缩压SBP、甘油三酯TG、空腹血糖FPG、高密度脂蛋白胆固醇HDL-C;特征集2(Set 2)在Set 1基础上加入TyG指数×腰高比(TyG-WHtR)与代谢性胰岛素抵抗评分(METS-IR)。采用ERT、极端梯度提升(eXtreme Gradient Boosting, XGBoost)、支持向量机(Support Vector Machine, SVM)、多层感知器(Multilayer Perceptron, MLP)、K近邻(K-Nearest Neighbors, KNN)、高斯朴素贝叶斯(Gaussian Na?ve Bayes, GNB)6种算法经网格搜索调参及10折交叉验证建模,DeLong检验比较AUC差异,决策曲线分析(Decision Curve Analysis, DCA)评估净临床获益,SHAP(Shapley Additive exPlanations)进行模型可解释性分析。
研究结果如下:
Patient Characteristics(受检者特征):18,535例平均年龄分布为男9087例(49.03%)、女9448例(50.97%),MASLD患病率32.33%。MASLD组男性比例更高、年龄偏大,吸烟、大量饮酒及缺乏规律运动比例更高,且代谢谱更差(TG与FPG升高,HDL-C降低)。说明研究队列中MASLD人群具典型代谢危险因素聚集特征。
Model Construction and Performance Evaluation(模型构建与诊断性能评价):6种算法分别基于Set 1与Set 2各建1个模型共12个模型。验证集上所有Set 2模型AUC及F1分数均高于对应Set 1模型,DeLong检验均具统计学意义(均P<0.05)。ERT与XGBoost使用Set 2时在验证集均达最高AUC=0.901;GNB的ΔAUC最大(训练集ΔAUC=0.024,验证集ΔAUC=0.025)。结果表明纳入IR生物标志物对各算法均有稳定且显著的判别力提升。
Clinical Utility Analysis(临床效用分析):验证集DCA显示Set 2模型在较宽阈值概率范围内较对应Set 1模型具更高标准化净获益,尤以ERT-Set 2提升最明显,XGBoost、SVM、MLP两特征集差异微小。结合判别度与净获益,ERT模型整体最优,适合作为MASLD初筛工具。
Model Interpretability Analysis(模型可解释性分析):SHAP特征重要性排序显示除MLP外,各模型前位重要预测因子均为IR相关生物标志物(TyG-WHtR或METS-IR);对ERT模型选取MASLD阳性与阴性个案绘制的瀑布图与力图直观展示各特征(基线值→SHAP值累加)如何将预测从群体基线推至个体最终患病概率,证实IR标志物对个体风险偏移的关键作用。
讨论部分指出,本研究在真实世界体检数据中系统量化了IR生物标志物对ML诊断MASLD的增量价值,TyG-WHtR与METS-IR整合了糖脂紊乱与肥胖维度信息,ML可捕捉其与常规指标的非线性交互从而改善判别。ΔAUC虽小但DCA支持临床净获益,且添加IR指数不新增检验成本。局限性含单中心西南地区体检人群可能存在选择偏倚、横断面设计无法推断因果、脂肪肝诊断基于超声而非肝穿或MRI-PDFF、未完全排除其他致脂肪肝病因,需多中心前瞻队列与外部验证。结论部分译文如下:
研究人员得出结论,在6种ML算法中评估含IR相关生物标志物的特征集后,确定ERT模型为本数据集中MASLD检测的最优方法;SHAP可解释性分析支持上述发现。结果表明,将IR相关生物标志物纳入模型可在不增加检测费用及受试者负担的前提下提高MASLD诊断性能与临床效用。鉴于模型所用特征可快速低成本获取,经灵敏度进一步优化及外部验证后,该模型有望作为人群筛查的决策支持工具。