基于血清標志物的機器學習模型對肝癌診斷的價值評估*

韓冰,遆亞楠,王蓉,仇麗霞,張繚云(.山西醫科大學公共衛生學院衛生統計教研室,太原 03000;.山西醫科大學第一醫院感染病科,太原 03000)

肝癌是當前世界上最常見的惡性腫瘤之一,我國每年肝癌新發病例數約占全世界的50%,對我國公共衛生安全構成了嚴重威脅[1]。原發性肝癌(primary liver cancer,PLC)起病隱匿,早發現肝癌是降低患者死亡率的關鍵,因此提高肝癌鑒別診斷能力對無癥狀患者的早期診斷具有重要意義。目前我國診療規范推薦對肝癌高危人群至少6個月借助超聲檢查和血清甲胎蛋白(alpha fetoprotein, AFP)進行篩查[2]。近年來日本肝病學會和中華肝病學分會均推薦使用“肝癌三聯檢”,即采用AFP、異常凝血酶原(des-gamma-carboxy prothrombin,DCP)、甲胎蛋白異質體(lens culinaris agglutinin-reactive fraction of AFP,AFP-L3)聯合影像學檢查對肝癌高風險人群進行監測[3-4]。

大數據時代,隨著數據挖掘、云計算和人工智能的快速發展,機器學習(machine learning,ML)算法能夠分析處理患者病史信息和臨床指標來構建預測模型,成為疾病預測、診斷治療和預后工作的便捷工具[5]。既往研究表明,ML模型在PLC輔助診斷過程中可顯著提高(約提升了15%～25%)診斷的準確性[6]。筆者擬從AFP、AFP-L3和DCP出發,評估各項標志物結合ML模型對肝癌的診斷準確性,以期選擇合適的模型,從而提高對HCC診斷價值。

1 材料與方法

1.1研究對象 采用回顧性研究方法,收集2021年9月至2022年6月在山西醫科大學第一醫院感染病科住院患者273例,其中PLC組為經臨床確診為肝癌的患者83例,男67例,女16例,年齡(57.6±11.5)歲,其中乙型肝炎相關肝癌76例,丙型肝炎相關肝癌2例,酒精性肝病相關肝癌2例,原發性膽汁性肝硬化相關肝癌1例,病因不明者2例。……