European Radiology:应用机器学习方法预测肝硬化患者食管静脉曲张出血

肝硬化是肝脏晚期严重纤维化的阶段，通常由一些慢性肝脏疾病如自身免疫性损伤、乙型和丙型肝炎以及酒精性肝病等引起。大量证据表明，细胞外基质蛋白的渐进性积累、血管活性物质生成的变化以及肝星状细胞的过度活化，会导致肝内血管阻力增加，进而促使门静脉高压的发展。

临床上，急性食管静脉曲张出血是门静脉高压的一种棘手并发症。因此，对肝硬化患者而言，预测并早期预防食管静脉曲张出血至关重要。肝静脉压力梯度（HVPG）是能有效反映门静脉压力的金标准，有研究人员指出，当肝静脉压力梯度（HVPG）＞12 mmHg 时，可能会发生食管静脉曲张出血。然而，肝静脉压力梯度（HVPG）在预测食管静脉曲张出血方面存在一些劣势，比如检测过程具有侵入性、患者依从性差以及成本过高。因此，先前的研究提出了一些非侵入性指标或无创预测模型来识别食管静脉曲张出血的高危患者。例如，一些研究人员利用血清生物标志物在预测食管静脉曲张出血方面取得了较好的效果。有学者基于肝脏、脾脏和食管的影像组学特征提取开发了一个机器学习模型，能高精度地诊断出具有高出血风险的食管静脉曲张。此外，临床影像组学模型在预测食管静脉曲张出血方面也展现出了出色的预测性能（受试者工作特征曲线下面积（AUC）= 0.912）。影像组学研究人员通常使用增强计算机断层扫描（CT）图像，值得注意的是，非增强计算机断层扫描（CT）也被广泛用于评估伴有急性食管静脉曲张出血的肝硬化患者。

最近，发表在European Radiology 上的一篇文章开发并比较了基于计算机断层扫描（CT）形态学特征、血清生物标志物以及基本身体状况的机器学习模型，以预测食管静脉曲张出血。

本项回顾性研究纳入了 224 名患有食管静脉曲张且存在出血与未出血情况的肝硬化患者。研究中使用了临床资料及血清生物标志物，此外，利用开源的分割模型生成肝脏和脾脏的分割掩模。基于选定的特征采用四种机器学习模型来构建预测模型，并通过受试者工作特征分析来衡量模型的诊断性能。

在纳入的224 名患有食管静脉曲张的肝硬化患者中，包含 112 名出血患者（平均年龄 52.8 ± 11.5 岁，年龄范围 18 - 80 岁）以及 112 名未出血患者（平均年龄 57.3 ± 10.5 岁，年龄范围 34 - 85 岁）。两组患者在标准化脾脏体积、纤维蛋白原、丙氨酸氨基转移酶、天冬氨酸氨基转移酶、D - 二聚体、血小板以及年龄方面存在显著差异。在本研究中，训练集与测试集的比例为 8 : 2，并且采用了 5 折交叉验证的方法。

在训练集中，线性回归、随机森林、支持向量机以及自适应提升这四种模型的受试者工作特征曲线下面积（AUC）分别为 0.742、0.854、0.719 和 0.821。在测试集中，各模型的受试者工作特征曲线下面积（AUC）分别为 0.763、0.818、0.648 和 0.804。

图 ROC曲线显示了包括标准化脾体积在内的四种模型在训练队列中的表现

本研究利用计算机断层扫描（CT）形态学测量、血清生物标志物以及年龄构建机器学习模型，其中随机森林和自适应提升在预测模型构建方面具有潜在的附加价值。

原始出处：

Haichen Zhao,Xiaoya Zhang,Baoxiang Huang,et al.Application of machine learning methods for predicting esophageal variceal bleeding in patients with cirrhosis.DOI:10.1007/s00330-024-11311-4