肝臟超聲彈性成像技術(shù)預(yù)測(cè)2型糖尿病的應(yīng)用研究

魏淑芳，陳曉曉，劉繼青，黃艷

肝臟超聲彈性成像技術(shù)預(yù)測(cè)2型糖尿病的應(yīng)用研究

魏淑芳，陳曉曉，劉繼青，黃艷

杭州市西溪醫(yī)院特檢科，浙江杭州 310023

探討肝臟超聲彈性成像技術(shù)使用機(jī)器學(xué)習(xí)構(gòu)建模型用于識(shí)別2型糖尿病（type 2 diabetes mellitus，T2DM）患者的應(yīng)用價(jià)值。回顧性分析2017年4月至2021年8月于杭州西溪醫(yī)院行超聲彈性成像的161例疑似T2DM患者的臨床資料，將納入研究對(duì)象按7∶3比例隨機(jī)分為訓(xùn)練組（=111）和驗(yàn)證組（=50）。使用多因素Logistic回歸在訓(xùn)練組篩選獨(dú)立預(yù)測(cè)因子，基于這些獨(dú)立預(yù)測(cè)因子使用機(jī)器學(xué)習(xí)方法構(gòu)建預(yù)測(cè)模型，同時(shí)使用驗(yàn)證組數(shù)據(jù)和受試者操作特征曲線評(píng)估模型的準(zhǔn)確性和可靠性。使用隨機(jī)森林算法構(gòu)建的預(yù)測(cè)模型在訓(xùn)練組和驗(yàn)證組中識(shí)別T2DM患者的診斷性能分別為90.4%和89.8%，敏感度為81.1%和84.1%，特異性為89.2%和84.9%。在模型截?cái)嘀禐?.464時(shí)，其具有良好的臨床分類效能。超聲彈性成像技術(shù)使用隨機(jī)森林構(gòu)建的預(yù)測(cè)模型可識(shí)別T2DM。

2型糖尿病；彈性成像；機(jī)器學(xué)習(xí)；脂肪衰減指數(shù)；肝臟硬度值

2型糖尿病（type 2 diabetes mellitus，T2DM）是一種代謝異常疾病，預(yù)計(jì)至2030年，全球T2DM患者將增至5.52億[1]。由于缺乏對(duì)該疾病的了解，導(dǎo)致近1/3的T2DM患者并不知曉自身患病情況[2]。長(zhǎng)期高血糖嚴(yán)重?fù)p害身體健康，其中肝脂肪變性比例高達(dá)70%[3]。因此，檢測(cè)肝臟組織學(xué)變化對(duì)篩查T2DM高風(fēng)險(xiǎn)人群從而采取預(yù)防措施抑制疾病進(jìn)展和提高生活質(zhì)量具有重要意義。肝臟瞬時(shí)彈性成像技術(shù)主要基于超聲信號(hào)在肝組織中傳播受肝細(xì)胞中脂滴的影響而出現(xiàn)顯著衰減的原理來(lái)評(píng)估肝脂肪變性，其中脂肪衰減指數(shù)（fat attenuation index，F(xiàn)AI）和肝臟硬度值（liver stiffness measurement，LSM）等參數(shù)可用于定量表達(dá)肝脂肪變性程度[4-5]。但糖尿病是一種復(fù)雜的慢性疾病，單純基于肝脂肪變性或許不能早期識(shí)別T2DM高危人群。機(jī)器學(xué)習(xí)可在臨床實(shí)踐中通過(guò)提供高精度和可靠的模型改進(jìn)決策過(guò)程。多項(xiàng)研究采用機(jī)器學(xué)習(xí)技術(shù)開(kāi)發(fā)篩查、診斷和預(yù)測(cè)工具，以檢測(cè)T2DM發(fā)生和發(fā)病的可能性[6-7]。本研究基于機(jī)器學(xué)習(xí)使用瞬時(shí)彈性成像技術(shù)構(gòu)建預(yù)測(cè)模型用于識(shí)別T2DM患者，旨在探討其識(shí)別高風(fēng)險(xiǎn)T2DM人群的臨床應(yīng)用價(jià)值及可行性。

1 資料與方法

1.1 一般資料

回顧性分析2017年4月至2021年8月杭州市西溪醫(yī)院161例疑似T2DM患者的臨床資料，其中54例確診為T2DM患者。納入標(biāo)準(zhǔn)：①出現(xiàn)口渴、多飲、多食、多尿、體質(zhì)量下降等臨床癥狀或常規(guī)體檢發(fā)現(xiàn)血糖升高的疑似糖尿病患者；②既往無(wú)惡性腫瘤病史；③行超聲彈性成像檢測(cè)；④臨床資料齊全。排除標(biāo)準(zhǔn)：①合并糖尿病性視網(wǎng)膜病變等合并癥者；②檢查依從性差；③皮下脂肪過(guò)厚、植入起搏器、右上腹有創(chuàng)口未愈合者；④孕產(chǎn)婦；⑤合并重大心、腦、腎、血液系統(tǒng)疾病或精神疾病。將研究對(duì)象按7∶3比例隨機(jī)分為訓(xùn)練組（=111）和驗(yàn)證組（=50），訓(xùn)練組用于構(gòu)建模型，驗(yàn)證組用于驗(yàn)證模型效能。T2DM診斷符合1999年世界衛(wèi)生組織糖尿病診斷標(biāo)準(zhǔn)，即空腹血糖≥7.0mmol/L，或隨機(jī)血糖≥11.1mmol/L，或口服葡萄糖耐量試驗(yàn)2h血糖≥11.1mmol/L，或糖化血紅蛋白≥6.5%。

1.2 超聲瞬時(shí)彈性成像檢查及定量值獲取

使用海斯凱爾的Fibrotouch機(jī)型同時(shí)完成LSM和FAI測(cè)定，分別用于無(wú)創(chuàng)定量評(píng)價(jià)肝臟組織的硬度和脂肪衰減程度。測(cè)量時(shí)患者仰臥，右手放在頭后，暴露肝右葉區(qū)的肋間隙。通常取劍突水平線、右腋中線及肋骨下緣所包圍的區(qū)域?yàn)闄z測(cè)區(qū)域。探頭垂直緊貼皮膚，于肋間隙選定測(cè)量位置，檢查者按探頭按鈕開(kāi)始采集圖像并獲得測(cè)量值，10次成功測(cè)定值的中位數(shù)即為最終測(cè)定值。

1.3 預(yù)測(cè)模型的構(gòu)建

在訓(xùn)練組中對(duì)每個(gè)潛在預(yù)測(cè)變量包括性別、年齡、FAI及LSM進(jìn)行單因素Logistic回歸分析，篩選出T2DM的獨(dú)立預(yù)測(cè)因子，之后通過(guò)多因素Logistic回歸篩選出相關(guān)特征構(gòu)建傳統(tǒng)Logistic模型。此外，基于這些相關(guān)特征分別使用5種機(jī)器學(xué)習(xí)算法包括支持向量機(jī)（support vector machine，SVM）、貝葉斯網(wǎng)絡(luò)（Bayesian network，Bayes）、k近鄰（k-nearest neighbor，KNN）、決策樹(shù)（decision tree，DT）和隨機(jī)森林（random forest，RF）構(gòu)建模型。

1.4 預(yù)測(cè)模型的選取

為選出最優(yōu)機(jī)器學(xué)習(xí)算法，本研究對(duì)訓(xùn)練組數(shù)據(jù)進(jìn)行100次的重采樣，每次重采樣選取80%訓(xùn)練組數(shù)據(jù)用于模型訓(xùn)練，10%數(shù)據(jù)用于調(diào)整模型參數(shù)，10%數(shù)據(jù)用于模型測(cè)試，并使用受試者操作特征曲線（receiver operating characteristic curve，ROC曲線）的曲線下面積（area under the curve，AUC）評(píng)估測(cè)試數(shù)據(jù)的性能。最終使用標(biāo)準(zhǔn)偏差（relative standard deviation，RSD）量化5種機(jī)器學(xué)習(xí)算法的性能和穩(wěn)定性，并選擇具有最小RSD值的機(jī)器學(xué)習(xí)算法作為構(gòu)建模型的最佳方法[8]。RSD是變異系數(shù)的絕對(duì)值，通常以百分比表示。

1.5 預(yù)測(cè)模型的評(píng)估

本研究通過(guò)ROC曲線分別在訓(xùn)練組和驗(yàn)證組中計(jì)算模型的AUC、敏感度、特異性來(lái)評(píng)估模型的預(yù)測(cè)準(zhǔn)確度。校準(zhǔn)曲線以確定模型預(yù)測(cè)T2DM的估計(jì)概率與實(shí)際T2DM概率之間的一致性。Hosmer-Lemeshow檢驗(yàn)?zāi)Ｐ偷臄M合度。最后，本研究使用機(jī)器學(xué)習(xí)預(yù)測(cè)模型計(jì)算每個(gè)患者的T2DM概率分?jǐn)?shù)值，并基于訓(xùn)練組ROC曲線的約登指數(shù)對(duì)應(yīng)的最佳截?cái)嘀祵⑺谢颊叻譃榈惋L(fēng)險(xiǎn)組和高風(fēng)險(xiǎn)組，并與其實(shí)際T2DM結(jié)果進(jìn)行比較以評(píng)估模型的臨床效能。

1.6 統(tǒng)計(jì)學(xué)方法

2 結(jié)果

2.1 患者的臨床資料比較

訓(xùn)練組和驗(yàn)證組患者的性別、年齡、FAI及LSM比較差異均無(wú)統(tǒng)計(jì)學(xué)意義（>0.05），見(jiàn)表1。在訓(xùn)練組和驗(yàn)證組中，T2DM患者與健康人群的FAI比較差異均有統(tǒng)計(jì)學(xué)意義（<0.05），其余臨床特征比較差異均無(wú)統(tǒng)計(jì)學(xué)意義（>0.05），見(jiàn)表2。

表1 訓(xùn)練組與驗(yàn)證組患者的臨床資料比較

表2 兩組中T2DM患者與健康人群的臨床資料比較

圖1 RF模型的診斷效能及驗(yàn)證

A. RF模型在訓(xùn)練組中的診斷效能；B. RF模型在驗(yàn)證組中的診斷效能；C.RF模型在訓(xùn)練組中的驗(yàn)證；D. RF模型在驗(yàn)證組中的驗(yàn)證

2.2 預(yù)測(cè)模型的構(gòu)建

多因素Logistic回歸分析顯示年齡（=1.038，=0.023）和FAI（=1.020，=0.002）是識(shí)別T2DM患者的相關(guān)特征。基于年齡和FAI使用Logistic回歸、SVM、Bayes、KNN、DT及RF構(gòu)建模型的RSD值分別為2.63%、2.122%、2.192%、2.329%、3.215%及1.826%，因此，本研究使用RF構(gòu)建預(yù)測(cè)模型。

2.3 預(yù)測(cè)模型的驗(yàn)證

RF模型在訓(xùn)練組和驗(yàn)證組中的診斷性能分別為90.4%和89.8%，敏感度分別為81.1%和84.1%，特異性分別為89.2%和84.9%。校準(zhǔn)曲線在訓(xùn)練組和驗(yàn)證組中顯示出良好的校準(zhǔn)性能，Hosmer-Lemeshow檢驗(yàn)在訓(xùn)練組和驗(yàn)證組間均無(wú)統(tǒng)計(jì)學(xué)意義（>0.05），表明沒(méi)有偏離擬合，見(jiàn)圖1。此外，依據(jù)模型的最佳截?cái)嘀担?.464）將所有研究對(duì)象分為高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組，兩組間的T2DM患者有顯著差異（<0.05），顯示模型具有良好的臨床效能，見(jiàn)圖2。

圖2 低風(fēng)險(xiǎn)組和高風(fēng)險(xiǎn)組中T2DM患者的數(shù)量比較

3 討論

本研究結(jié)果顯示基于超聲彈性成像的FAI聯(lián)合年齡構(gòu)建的預(yù)測(cè)模型可識(shí)別T2DM患者，這可能有助于通過(guò)無(wú)創(chuàng)及低成本的技術(shù)手段篩查T2DM的高風(fēng)險(xiǎn)人群。此外，使用RF構(gòu)建的模型相比傳統(tǒng)的Logistic模型其診斷效能有明顯提升，這也進(jìn)一步證實(shí)機(jī)器學(xué)習(xí)的診斷效能。

預(yù)測(cè)模型可篩查T2DM前期或患T2DM風(fēng)險(xiǎn)增加的人群，以幫助決定對(duì)患者的最佳臨床管理。迄今已開(kāi)發(fā)多種T2DM預(yù)測(cè)模型，其中Logistic回歸是最流行的方法之一[9-12]。然而，研究表明Logistic回歸在疾病風(fēng)險(xiǎn)預(yù)測(cè)方面的表現(xiàn)并不理想[13]。Razavian等[14]使用Logistic回歸構(gòu)建T2DM預(yù)測(cè)模型，模型診斷性能為0.75，與本研究結(jié)果相似。本研究中的Logistic回歸構(gòu)建的模型性能均低于其他機(jī)器學(xué)習(xí)算法，最終篩選出的RF算法構(gòu)建的診斷模型性能明顯優(yōu)于Logistic回歸，證實(shí)RF算法具有較高的準(zhǔn)確性和優(yōu)越性[15]。

超聲彈性成像技術(shù)是新興的針對(duì)肝臟的無(wú)創(chuàng)診療評(píng)估策略，對(duì)肝纖維化及脂肪變性均有良好的評(píng)估效果[16]。本研究也證實(shí)上述結(jié)論，F(xiàn)AI可作為獨(dú)立預(yù)測(cè)因素納入模型的構(gòu)建。但本研究顯示彈性成像的另一個(gè)定量參數(shù)LSW并不是獨(dú)立預(yù)測(cè)因子，在T2DM和非T2DM人群之間也無(wú)差異，這可能是由于本次收集的T2DM患者病史不長(zhǎng)從而導(dǎo)致肝臟硬度改變并不明顯[17]。此外，本研究結(jié)果顯示年齡也作為一個(gè)重要因素納入模型構(gòu)建中，這與Joshi等[18]研究結(jié)果相似，這可能是隨著衰老，胰腺細(xì)胞對(duì)葡萄糖敏感性下降和胰島素分泌受損。本研究結(jié)果進(jìn)一步證實(shí)年齡是T2DM發(fā)病的危險(xiǎn)因素，也是識(shí)別高風(fēng)險(xiǎn)個(gè)體的重要變量[19]。事實(shí)上，不同年齡段人群的T2DM發(fā)病率具有一定差異，這可能也是本研究中年齡因素納入模型的可能原因[20]。

本研究仍具有局限性。首先，這是一項(xiàng)回顧性研究，未來(lái)應(yīng)側(cè)重于前瞻性研究的預(yù)測(cè)和分類模型的開(kāi)發(fā)，這將允許使用時(shí)間演化信息來(lái)評(píng)估和修改預(yù)測(cè)模型；其次，需要通過(guò)更好的工程設(shè)計(jì)進(jìn)一步優(yōu)化模型本身，并通過(guò)整合其他臨床數(shù)據(jù)進(jìn)一步開(kāi)發(fā)，以提高模型的整體性能，實(shí)現(xiàn)對(duì)T2DM更準(zhǔn)確的診斷；最后，本研究缺乏對(duì)模型的外部驗(yàn)證，需要采用更大樣本量的多中心驗(yàn)證來(lái)獲取臨床應(yīng)用的高水平證據(jù)。

綜上所述，應(yīng)用機(jī)器學(xué)習(xí)構(gòu)建的預(yù)測(cè)模型識(shí)別T2DM患者是可行的，該模型可為臨床醫(yī)生和患者提供有關(guān)T2DM發(fā)病的有價(jià)值信息，從而采取措施降低T2DM的風(fēng)險(xiǎn)并延緩進(jìn)展。

[1] SHAW J E, SICREE R A, ZIMMET P Z. Global estimates of the prevalence of diabetes for 2010 and 2030[J]. Diabetes Res Clin Pract, 2010, 87(1): 4–14.

[2] CHOI S B, KIM W J, YOO T K, et al. Screening for prediabetes using machine learning models[J]. Comput Math Methods Med, 2014, 2014: 618976.

[3] TARGHER G, BERTOLINI L, PADOVANI R, et a1. Prevalence of nonalcoholic fatty liver disease and its association with cardiovascular disease among type 2 diabetic patients[J]. Diabetes Care, 2007, 30(5): 1212–1218.

[4] DENG H, WANG C L, LAI J, et a1. Noninvasive diagnosis of hepatic steatosis using fat attenuation parameter measured by fibrotouch and a new algorithm in CHB patients[J]. Hepat Mon, 2016, 16(9): e40263.

[5] 李銀燕, 王學(xué)梅, 張義俠, 等. 超聲彈性成像評(píng)分在脂肪肝分度中的應(yīng)用價(jià)值[J]. 中國(guó)臨床醫(yī)學(xué)影像雜志, 2009, 20(12): 911–913.

[6] HANDELMAN G S, KOK H K, CHANDRA R V, et al. eDoctor: Machine learning and the future of medicine[J]. J Intern Med, 2018, 284(6): 603–619.

[7] LIU X, FAES L, KALE A U, et al. A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: A systematic review and Meta-analysis[J]. Lancet Digit Health, 2019, 1(6): e271–e297.

[8] PARMAR C, GROSSMANN P, RIETVELD D, et al. Radiomic machine-learning classifiers for prognostic biomarkers of head and neck cancer[J]. Front Oncol, 2015, 5: 272.

[9] SCHWARZ P E, LI J, LINDSTROM J, et al. Tools for predicting the risk of type 2 diabetes in daily practice[J]. Horm Metab Res, 2009, 41(2): 86–97.

[10] YU W, LIU T, VALDEZ R, et al. Application of support vector machine modeling for prediction of common diseases: The case of diabetes and pre-diabetes[J]. BMC Med Inform Decis Mak, 2010, 10: 16.

[11] NAZ H, AHUJA S. Deep learning approach for diabetes prediction using PIMA Indian dataset[J]. J Diabetes Metab Disord, 2020, 19(1): 391–403.

[12] CHRISTODOULOU E, MA J, COLLINS G S, et al. A systematic review shows no performance benefit of machine learning over logistic regression for clinical prediction models[J]. J Clin Epidemiol, 2019, 110: 12–22.

[13] NUSINOVICI S, THAM Y C, CHAK YAN M Y, et al. Logistic regression was as good as machine learning for predicting major chronic diseases[J]. J Clin Epidemiol, 2020, 122: 56–69.

[14] RAZAVIAN N, BLECKER S, SCHMIDT A M, et al. Population-level prediction of type 2 diabetes from claims data and analysis of risk factors[J]. Big Data, 2015, 3(4): 277–287.

[15] RAVIZZA S, HUSCHTO T, ADAMOV A, et al. Predicting the early risk of chronic kidney disease in patients with diabetes using real-world data[J]. Nat Med, 2019, 25(1): 57–59.

[16] 趙雅琴, 鄭艷芬. 超聲檢測(cè)技術(shù)結(jié)合臨床檢驗(yàn)指標(biāo)評(píng)估早期肝硬化的研究進(jìn)展[J]. 包頭醫(yī)學(xué)院學(xué)報(bào), 2021, 37(10): 117–121.

[17] 田彩云, 胡晗, 張國(guó)遠(yuǎn), 等. 糖代謝紊亂對(duì)肝硬化相關(guān)并發(fā)癥的影響[J]. 臨床肝膽病雜志, 2021, 37(5): 1197–1200.

[18] JOSHI R D, DHAKAL C K. Predicting type 2 diabetes using logistic regression and machine learning approaches[J]. Int J Environ Res Public Health, 2021, 18(14): 7346.

[19] PEER N, BALAKRISHNA Y, DURAO S. Screening for type 2 diabetes mellitus[J]. Cochrane Database Syst Rev, 2020, 5(5): CD005266.

[20] MAGLIANO D J, SACRE J W, HARDING J L, et al. Young-onset type 2 diabetes mellitus - implications for morbidity and mortality[J]. Nat Rev Endocrinol, 2020, 16(6): 321–331.

Application of liver ultrasonic elastography in predicting type 2 diabetes mellitus

Department of Special Inspection, Hangzhou Xixi Hospital, Hangzhou 310023, Zhejiang, China

To explore the application value of liver ultrasonic elastography using machine learning to build models to identify type 2 diabetes patients (T2DM).The clinical data of 161 patients with suspected T2DM who underwent ultrasonic elastography in Hangzhou Xixi Hospital from April 2017 to August 2021 were retrospectively analyzed. The included subjects were randomly divided into training group (=111) and verification group (=50) according to a ratio of 7:3. Multivariate Logistic regression was used to screen independent predictors in training group. Based on these independent predictors, a predictive model was constructed using machine learning methods. The accuracy and reliability of the model were evaluated using verification group data and receiver operating characteristic curve.The predictive model constructed using the random forest algorithm had a diagnostic performance of 90.4% and 89.8%, sensitivity of 81.1% and 84.1%, and specificity of 89.2% and 84.9% in training group and verification group, respectively. When the model cut-off value was 0.464, it had good clinical classification efficiency.Ultrasonic elastography can identify T2DM using a prediction model constructed from random forests.

Type 2 diabetes mellitus; Elastography; Machine learning; Fat attenuation index; Liver stiffness measurement

R445.1

A

10.3969/j.issn.1673-9701.2023.25.003

浙江省醫(yī)藥衛(wèi)生科技計(jì)劃項(xiàng)目（2020KY770）

黃艷，電子信箱：63100063@qq.com

（2023–01–08）

（2023–08–18）