数据集构建与特征提取
建立用于训练和测试机器学习模型的队列，并收集基线和随访临床指标。
从五个中心回顾性纳入1 873名CHB和cACLD患者，收集基线、随访和动态指标，包括LSM、年龄、白蛋白、血小板等。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
ALPS-HCC评分：基于动态肝脏硬度测量的机器学习模型预测肝细胞癌风险
ALPS-HCC Score: A Dynamic Liver Stiffness Measurement-Based Machine Learning Model to Predict Risk of Hepatocellular Carcinoma
实验完整度
高多中心回顾性队列，含训练、验证和外部测试队列，使用机器学习建模并验证预测性能。
主要模型
慢性乙型肝炎和代偿性晚期慢性肝病患者队列（n=1873） 训练队列（n=890）和验证队列（n=382） 外部测试队列（n=601）
重点核对
Derivation cohort randomly split into training (70%) and validation (30%) cohorts. External test cohort from four centres (n=601). LASSO logistic regression with 20-fold cross-validation selected 5 features. XGBoost model hyperparameters tuned via 5-fold cross-validation. Risk stratification cut-off values: 0.24 and 0.34 based on decision tree algorithm.
摘要
背景与目标：现有的针对慢性乙型肝炎（CHB）的肝细胞癌（HCC）风险评分大多仅依赖基线指标，限制了其在临床实践中的适用性。通过纳入动态和静态指标，本研究旨在开发一个机器学习（ML）模型，用于预测CHB和代偿性晚期慢性肝病（cACLD）患者的HCC。方法：ML模型在1 272名来自不同中心、至少接受2次测量的CHB和cACLD患者中训练以预测HCC，并使用外部队列（n=601）进行测试。首次和末次肝脏硬度测量分别定义为基线和随访值。结果：共纳入1 873名CHB和cACLD个体，中位30.7个月后192名患者（10.3%）发生HCC。基于LASSO逻辑回归，选择了基线年龄、基线白蛋白浓度、随访白蛋白浓度、随访血小板计数和肝脏硬度测量变化（∆LSM），其中∆LSM被确定为最重要的指标。使用XGBoost开发的ALPS-HCC评分获得了最高的综合AUROC（0.852）、Harrell's C指数（0.852）和F1分数（0.944），并且表现显著优于现有的HCC风险评分。基于这些结果，我们的风险分层在验证队列中预后表现良好，包括识别低风险（n=250；参考）、中风险（n=91；风险比[HR]=5.25）和高风险（n=41；HR=24.47）组。结论：ALPS-HCC评分在预测CHB和cACLD患者的HCC风险方面提供了稳健的预测能力和筛查能力。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 能否通过结合静态和动态指标，开发机器学习模型来预测慢性乙型肝炎和代偿性晚期慢性肝病患者的肝细胞癌风险？
- 核心机制
- ∆LSM被确定为最重要的预测指标，模型整合了基线年龄、基线和随访白蛋白浓度、随访血小板计数以及∆LSM。
- 主要证据
- 基于XGBoost的ALPS-HCC评分在验证队列中实现了综合AUROC 0.852、C指数0.852和F1分数0.944，并在外部测试队列中风险分层显示低、中、高风险组的HR分别为5.25和24.47。
- 研究意义
- ALPS-HCC评分可为慢性乙型肝炎和代偿性晚期慢性肝病患者提供稳健的HCC风险预测和筛查能力，支持个体化监测策略和医疗资源分配。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
特征选择与模型开发
筛选预测HCC的关键特征，并训练多种机器学习模型以选择最佳算法。
使用LASSO逻辑回归从14个临床特征中筛选出5个非零系数特征，并训练7种ML算法，通过验证队列比较性能。
模型性能评估与外部验证
评估ALPS-HCC评分的预测性能，并与现有模型比较。
在验证队列和外部测试队列中计算AUROC、C指数、F1分数等指标，并进行校准和决策曲线分析。
风险分层与临床效用评估
根据ALPS-HCC评分对患者进行风险分层，并评估其预测其他临床结局的能力。
使用决策树算法确定cut-off值（0.24和0.34），将患者分为低、中、高风险组，并分析HCC累积发生率、失代偿肝硬化和死亡率。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 肝脏硬度测量 | FibroScan | Echosens | -- |
| 抗病毒治疗 | 恩替卡韦 | -- | -- |
| 富马酸替诺福韦二吡呋酯 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 队列纳入与排除 | 纳入标准：HBsAg阳性>6个月，基线LSM≥10 kPa，至少两次TE测量；排除标准包括合并其他肝病、失代偿肝硬化、HCC等。 阅读提示：Methods 2.1 Datasets和Figure 1 |
| LSM测量 | 使用FibroScan，至少10次有效shots，成功率>60%，IQR/中位数≤30%，禁食至少3小时。 阅读提示：Methods 2.2 Input Features |
| ∆LSM计算 | ∆LSM = [(follow-up LSM – baseline LSM)/baseline LSM × 100]，表示为百分比。 阅读提示：Methods 2.5 Definitions |
| 模型训练与验证 | 训练队列70%，验证队列30%，5折交叉验证，LASSO 20折交叉验证，lambda.1se=0.035。 阅读提示：Methods 2.4 Machine Learning Algorithm |
| 风险分层 | cut-off值0.24和0.34，基于决策树算法，低风险<0.24，中风险0.24-0.34，高风险≥0.34。 阅读提示：Results 3.5 HCC Risk Stratification和Figure 5 |