Artykuł badawczy
* These authors contributed equally
Przedstawiono krok po kroku protokół AutoML do przesiewowego wykrywania nienastężnej choroby wątroby u dorosłych przy użyciu danych NHANES i zewnętrznej kohorty. Metoda automatyzuje priorytetyzację funkcji i wybór modelu (GBM) oraz obejmuje interpretację opartą na SHAP i zewnętrzną weryfikację w celu odtwarzalnego wdrożenia klinicznego.
Niealkoholowa choroba wątroby (NAFLD) jest częstym zaburzeniem wątroby związanym z otyłością, opornością na insulinę i zespołem metabolicznym, często nierozpoznanym aż do zaawansowanych etapów. Tradycyjne metody diagnostyczne, w tym obrazowanie i biopsja wątroby, mają ograniczenia w wczesnym wykrywaniu. Istnieje potrzeba efektywnego, nieinwazyjnego narzędzia do wczesnego wykrywania NAFLD. Wykorzystując technologię automatyzowanego uczenia maszynowego (AutoML), opracowano model diagnostyczny NAFLD wykorzystujący duży zbiór danych z NHANES (n = 2677). Ponadto, zastosowana została niezależna zewnętrzna kohorta do walidacji (n = 200) w celu oceny zewnętrznej ważności i wydajności modelu. Do wyboru obiecujących cech klinicznych zastosowano dwuetapowy metodę selekcji cech, łącząc regresję LASSO z inteligentną analizą opartą na modelu ChatGPT-4. Następnie przeprowadzono proces AutoML, który integrował wiele algorytmów uczenia maszynowego, w celu szkolenia i walidacji modelu. Wydajność modelu została oceniona za pomocą krzywych ROC, wyników F1 oraz analizy SHapley additive explanation (SHAP). Model GBM osiągnął AUC wynoszący 0,843 w zestawie szkoleniowym, 0,851 w zestawie testowym i 0,945 w zewnętrznym zestawie walidacyjnym, wykazując wysoką dokładność diagnostyczną w różnych zestawach danych. Kluczowe predyktorzy, w tym BMI, trójglicerydy i GGT, zostały zidentyfikowane jako istotne czynniki wpływające na przewidywania modelu. Analiza SHAP potwierdziła znaczenie tych zmiennych w przewidywaniu NAFLD. Model diagnostyczny NAFLD oparty na AutoML wykazał znacznie lepszą wydajność we wczesnym wykrywaniu, oferując niezawodną, nieinwazyjną i efektywną alternatywę dla konwencjonalnych metod diagnostycznych. Ta metoda ma duży potencjał do szerszego zastosowania klinicznego w NAFLD, zmniejszając zależność od wiedzy ekspertów i poprawiając precyzję diagnostyczną.
Choroba wątroby z otyłości niealkoholowej (NAFLD) jest jedną z najczęściej występujących chorób wątroby na świecie, obecnie dotykającą około 35% populacji dorosłych na całym świecie i nie będącą skutkiem nadmiernego spożycia alkoholu1. Charakteryzuje się ona nagromadzeniem tłuszczu w więcej niż 5% hepatocytów, które potencjalnie może prowadzić do poważniejszych stanów, w tym zapalenia, zwłóknienia wątroby, marskości i ostatecznie niewydolności wątroby2,3. Obecnie tradycyjne metody diagnozowania NAFLD opierają się głównie na nieprawidłowych wskaźnikach biochemicznych wątroby i obrazowaniu ultrasonograficznym. Jednakże ultrasonografia wykazuje ograniczoną czułość, gdy stopień steatozy jest poniżej 20%, co obniża jej wiarygodność w wykrywaniu łagodnej infiltracji tłuszczowej i często prowadzi do nierozpoznania wczesnych stadiów NAFLD4. Chociaż biopsja wątroby jest uważana za złoty standard w diagnostyce NAFLD, jej inwazyjna natura i ryzyko powikłań, takich jak ból, infekcja i krwotok, ograniczają jej przydatność do szeroko zakrojonej analizy5. W związku z tym istnieje pilna potrzeba opracowania efektywnego, nieinwazyjnego, niedrogiego i wysoce czułego narzędzia, które ułatwi przesiewowe badanie NAFLD.
Dzięki szybkiemu rozwojowi sztucznej inteligencji (AI) i technologii uczenia maszynowego (ML), podejścia oparte na danych oferują nowe rozwiązania w zakresie wczesnego diagnozowania i oceny ryzyka NAFLD. Analizując duże, złożone zestawy danych, technologie ML mogą automatycznie identyfikować potencjalne wzorce i związki, i są szeroko stosowane w diagnostyce i przewidywaniu różnych chorób6. Na przykład algorytmy ML były używane do przewidywania ryzyka marskości u osób z przewlekłym zakażeniem wirusem zapalenia wątroby typu B, osiągając obiecujące wyniki7. Podobne badania w dziedzinie NAFLD z powodzeniem opracowały modele diagnostyczne za pomocą tradycyjnych algorytmów uczenia maszynowego, takich jak maszyny wektorów nośnych (SVM) i lasy losowe (RF), osiągając wysokie poziomy dokładności i wykazując silną przydatność kliniczną8,9,10,11,12,13,14,15,16,17,18. Na przykład naukowcy opracowali model uczenia maszynowego wykorzystujący parametry laboratoryjne do efektywnego wykrywania NAFLD w ogólnej populacji poprzez analizę rutynowych danych laboratoryjnych. Model ML wykorzystujący parametry laboratoryjne został opracowany13 do efektywnego wykrywania NAFLD w ogólnej populacji poprzez analizę rutynowych danych laboratoryjnych. Częstość występowania NAFLD w USA została przewidziana poprzez połączenie przejściowej elastografu z metodami uczenia maszynowego za pomocą danych NHANES 2017–201816. Zespół badaczy wykorzystał algorytmy uczenia maszynowego do zbadania korelacji między przejściową elastografą a innymi zmiennymi klinicznymi, opracowując model przewidujący, który wiarygodnie oszacował częstość występowania NAFLD w różnych populacjach.
Jednakże tradycyjne metody uczenia maszynowego zazwyczaj wymagają znacznego wysiłku manualnego, szczególnie w inżynierii funkcji, wyborze modelu i dostrajaniu parametrów, które wymagają specjalistycznej wiedzy i doświadczenia. Aby zapobiec tym ograniczeniom, opracowano zautomatyzowane uczenie maszynowe (AutoML). AutoML automatyzuje cały proces budowy modelu, obejmujący przetwarzanie danych, selekcję funkcji, wybór modelu i optymalizację hiperparametrów, znacznie poprawiając zarówno wydajność, jak i dokładność procesów uczenia maszynowego19. Model przewidujący krwotok z żylaków przełyku został opracowany i zweryfikowany za pomocą platformy H2O AutoML20. Model zastosował różne algorytmy, w tym głębokie uczenie (DL), eXtreme Gradient Boosting (XGBoost), uogólnione modele liniowe (GLM), maszyny gradientowego wzmacniania (GBM), lasy losowe (RF) i stosy zespołów, z horyzontem przewidywania 12 miesięcy. AutoML zostało zastosowane do przewidywania ryzyka przerzutów wątrobowych u pacjentów z guzami przewodu pokarmowego, wykorzystując dane z bazy SEER21. Platformy AutoML zostały wykorzystane do opracowania szybkiego i niedrogiego narzędzia diagnostycznego raka prostaty za pomocą rutynowych danych klinicznych22. Pojawienie się AutoML zaoferowało bardziej efektywne rozwiązania dla diagnostyki klinicznej, a jego potencjał w przesiewowym badaniu NAFLD zasługuje na dalsze zbadanie. Podczas gdy wczesne wykrywanie i dokładna diagnostyka NAFLD są kluczowe, bezobjawowy charakter choroby stanowi znaczące wyzwania diagnostyczne. Chociaż technologia AutoML wykazała duży potencjał w diagnostyce chorób, jej zastosowanie w diagnostyce NAFLD pozostaje ograniczone, co pod
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Pacjenci i projekt badania
Pierwszy zbiór danych tego badania został uzyskany z bazy danych Narodowego Badania Zdrowia i Żywienia (NHANES) za okres 2017–2018. Wybrany okres został dobrany, ponieważ dane z badania zawierały pomiary przejściowej elastograffii wątroby za pomocą technologii FibroScan®. NHANES stosuje stratyfikowane, wieloetapowe projektowanie próby losowej i służy jako krajowe, oparte na populacji badanie przeprowadzane co dwa lata. Systematycznie zbiera reprezentatywne narodowo dane dotyczące zdrowia dotyczące nieinstytucjonalizowanej populacji USA, aby ocenić stan żywienia i zdrowia ogólnej cywilnej populacji w Stanach Zjednoczonych1. NHANES jest reprezentatywnym krajowo badaniem przekrojowym prowadzonym przez Narodowe Centrum Statystyki Zdrowia (NCHS). Protokół badania otrzymał aprobatę Komitetu Etyki Badań NCHS, przy czym od wszystkich uczestników uzyskano udokumentowaną pisemną zgodę na udział. Badanie przeprowadzono zgodnie z Deklaracjami Helsińskiej i Stambułu oraz otrzymało aprobatę komitetu etycznego Pierwszego Szpitala Afiliacyjnego Uniwersytetu Medycznego w Wenzhou (2016–246, 1 grudnia 2016), a pisemną zgodę na udział uzyskano od każdego uczestnika.
Pierwszy zbiór danych obejmował 5494 osoby z badania NHANES 2017–2018, które przeszły badanie FibroScan. Po wykluczeniu poniższych osób, do analizy włączono łącznie 2677 uczestników, w tym 718 osób z NAFLD i 1959 bez NAFLD. Następnie uczestników losowo podzielono na zestaw treningowy (n = 1785) i zestaw testowy (n = 892). Drugi zbiór danych obejmował 582 osoby z Kliniki Chorób Zakaźnych Pierwszego Szpitala Afiliacyjnego Uniwersytetu Medycznego w Wenzhou (2018–2020). Po zastosowaniu tych samych kryteriów wykluczenia, do analizy włączono łącznie 200 osób, w tym 159 osób z NAFLD i 41 bez NAFLD. Ta kohorta została wykorzystana jako niezależny zestaw walidacji. Projekt badania został opracowany w celu stworzenia i walidacji modelu przy użyciu danych z wielu ośrodków, zwiększając niezawodność i ogólność wyników. Charakterystyka kliniczna grupy NAFLD i nie-NAFLD została podsumowania za pomocą pakietu table one (Tabela 1). Ponadto, proces wyboru pacjentów i ogólny przepływ badania przedstawiono na Rysunek 1 .
Kryteria diagnostyczne i kryteria wykluczenia dla NAFLD
Rozpoznanie NAFLD opierało się na następujących kryteriach16: wiek 18 lat lub starszy, udział w badaniu przesiewowym za pomocą elastograffii przejściowej (FibroScan) przy ograniczonej konsumpcji alkoholu do ≤140 g/tydzień dla kobiet i ≤ 210 g/tydzień dla mężczyzn przez poprzednie 12 miesięcy, wartość parametru tłumienia kontrolowanego (CAP) ≤ 302 dB/m zmierzona za pomocą systemu FibroScan 502 V2 Touch (Echosens, Paryż, Francja) za pomocą sondy średniej (M) lub bardzo dużej (XL) lub rozpoznanie potwierdzone przez patologię bioptatu wątroby w Klinice Chorób Zakaźnych Pierwszego Szpitala Afiliacyjnego Uniwersytetu Medycznego w Wenzhou23.
Kryteria wykluczenia dla NAFLD są następujące:.wysokie spożycie alkoholu (średnie codzienne spożycie > 20 g dla kobiet i > 30 g dla mężczyzn według badania NHANES dotyczącego spożycia alkoholu5), obecność wirusowego zapalenia wątroby typu B lub C, zakażenie HIV, autoimmunologiczne zapalenie wątroby, pierwotne przewlekłe zapalenie dróg żółciowych, choroba Wilsona, długotrwała konsumpcja niesteroidowych leków przeciwzapalnych, blokerów kanału wapniowego, tamoksyfenu, amiodaronu, kortykosteroidów, izoniazydu lub metotreksatu, ciąża lub karmienie piersią oraz rozpoznanie raka wątroby lub jakiegokolwiek innego łagodnego lub złośliwego guza.
Zbieranie danych i selekcja zmiennych
Potencjalne zmienne prognostyczne włączone do tego badania są wymienione poniżej:
Cechy demograficzne (tj. wiek i płeć); Indeks masy ciała (BMI); Wartości CAP uczestników w bazie danych NHANES; Ogólne badania biochemiczne [tj. Albumina (ALB), Globulina (GLO), Białko całkowite (TP), Dehydrogenaza mleczanowa (LDH), Mocznik (BUN), Kwas moczowy (UA), Gamma-glutamylotransferaza (GGT), Trójglicerydy (TG), Glukoza w surowicy (Glu), Kreatynina w surowicy (SCr), Bilirubina całkowita (TBIL), Sód (Na), Chlor (Cl), Potas (K), Wapń (Ca), Bikarbonat (HCO), Cholesterol całkowity (TC), Asparaginatoaminotransferaza (AST) i Alaninoaminotransferaza (ALT)]; Standardowe parametry hematologiczne [tj. Liczba czerwonych krwinek (RBC), Liczba białych krwinek (WBC), Liczba neutrofili (NEUT), Liczba eozynofilów (EOS), Liczba limfocytów (LYM), Liczba monocytów (MON), Szerokość rozkładu czerwonych krwinek (RDW) i Liczba płytek (PLT)]; Historia nadciśnienia tętniczego i cukrzycy (DM). Wśród osób uwzględnionych w badaniu, kryteria diagnostyczne dotyczące cukrzycy i nadciśnienia tętnic
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Objawy kliniczne NAFLD
W niniejszym badaniu systematycznie przeanalizowano cechy kliniczne osób z NAFLD i bez tego schorzenia. Zastosowano szereg metod, aby jasno przedstawić rozkład i różnice tych cech w populacji badanej (Tabela 1). W analizie uwzględniono 2677 osób, w tym 718 z NAFLD. Analiza obejmowała szereg wskaźników klinicznych, w tym BMI, TG, GGT, UA i inne (jak pokazano na Rysunek 1). Przeprowadzając PLS-DA na zmiennych ...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
NAFLD jest najczęstszą przyczyną przewlekłych chorób wątroby na całym świecie, a jego występowanie wzrasta o około 1% rocznie26. Około 30% światowej populacji jest dotknięte tą chorobą, co czyni NAFLD nie tylko wiodącym przewlekłym zaburzeniem wątroby, ale także najszybciej‑rosnącym wskazaniem do przeszczepu wątroby3. Zautomatyzowane uczenie maszynowe (AutoML) stało się cennym narzędziem w medycynie, a jednym z jego głównych celów jest budowanie modeli pred...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Autorzy deklarują, że nie mają konfliktu interesów. W niniejszym badaniu, model ChatGPT-4 (OpenAI) został zastosowany jako inteligentne narzędzie analityczne podczas fazy selekcji cech, aby ocenić kliniczne znaczenie zmiennych zidentyfikowanych przez regresję LASSO. Wszystkie wygenerowane przez AI wyniki zostały starannie przejrzane przez autorów i empirycznie zweryfikowane poprzez późniejszy proces AutoML. Modelu ChatGPT-4 nie użyto do modyfikowania danych surowych ani wykonywania obliczeń matematycznych. Autorzy przyjmują pełną odpowiedzialność za integralność i dokładność ostatecznych wyników.
To prace były wspierane przez Fundusz na Rozwój Naukowo-Badawczy Uniwersytetu Medycznego w Fujian [2021QH1176]; Kluczowe Laboratorium Diagnostyka Kliniczna i Badań Translacyjnych Prowincji Zhejiang [2022E10022]; Plan Prowincji Zhejiang ds. Nauki i Technologii Medycznej i Zdrowia Publicznego [2024KY1265]; oraz Wenzhou Municipal Badań na rzecz Dobra Publicznego [Y2023096].
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Zestawy danych dotyczące NAFLD (2017–2018) | Baza danych NHANES [https://wwwn.cdc.gov/nchs/nhanes/continuousnhanes/default.aspx?BeginYear=2017] | N/A | jako zestaw treningowy do konstrukcji modelu |
| Zestawy danych dotyczące NAFLD (2018–2020) | The First Affiliated Hospital of Wenzhou Medical University (2018–2020), China. [https://doi.org/10.6084/m9.figshare.32105248.] | N/A | jako zestaw testowy do zewnętrznej walidacji modelu |
| R (wersja 4.2.3) | R Foundation for Statistical Computing | N/A | używany w połączeniu z innymi narzędziami do przeprowadzania analizy danych i generowania prezentacji wizualnych i graficznych. |
| Adobe Illustrator 2025 (wersja 29.2) | Adobe Systems Incorporated | N/A | Do układu i edycji obrazów |
| ChatGPT-4 | OpenAI Inc. | N/A | Do przypisywania wskaźnika ważności każdej wybranej zmiennej |
| H2O AutoML (3.44.0.3) | H2O.ai | N/A | Do integracji wszechstronnego zestawu algorytmów uczenia maszynowego |
Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE
Poproś o pozwolenie