瞬時彈性成像技術聯合血清學標志物評估慢性乙型肝炎早期肝纖維化的應用研究

劉繼青，包劍鋒，黃斌

1.浙江中醫藥大學附屬杭州西溪醫院特檢科，浙江杭州 310023；2.浙江醫院超聲介入診療中心，浙江杭州 310013

2016年全球乙型肝炎病毒感染的估計流行率為3.5%，約2.57億人患有慢性乙型肝炎（chronic hepatitis B，CHB），其中高達40%的CHB患者可發展為失代償性肝硬化和肝細胞癌[1-2]。美國肝病研究協會建議，早期肝纖維化（F<2）患者只需隨訪觀察，而嚴重肝纖維化（F≥2）患者則需要接受抗病毒治療[3-4]。因此，準確評估肝纖維化可使臨床醫生確定CHB患者是否需要臨床抗病毒治療。目前，肝活檢仍是診斷肝纖維化的金標準，但活檢導致的并發癥限制其在臨床中的應用[5]。瞬時彈性成像（transient elastography，TE）是評估肝纖維化的首選無創替代方法；而CHB患者存在的炎癥導致TE評估肝纖維化的敏感度降低[6-7]。血清學生物標志物是一種有效的肝纖維化評估方法，但影響其結果的因素較多，單純使用血清學指標難以準確評估CHB患者的肝纖維化程度[8-9]。本研究中，筆者擬構建TE技術和血清學生物標志物的預測模型并探討其在臨床中的應用價值。

1 資料與方法

1.1 一般資料

回顧性分析2020年1月至2022年11月浙江中醫藥大學附屬杭州西溪醫院收治的176例CHB患者的臨床資料。納入標準：①符合《慢性乙型肝炎防治指南（2015年更新版）》[10]中的CHB診斷標準；②臨床資料完整；③進行肝穿刺活檢并有可判讀的病理檢查結果；④CHB病程>6個月；⑤年齡>18歲；⑥進行TE及血清標志物檢測。排除標準：①已進行抗病毒治療者；②臨床資料不完整；③合并其他肝病，如酒精性肝病、非酒精性脂肪性肝炎或自身免疫性肝病。將2020年1月至2021年12月收治的患者123例納入訓練組，2022年1月至11月收治的53例患者納入測試組。訓練組用于構建預測模型，測試組用于驗證模型的可靠性。本研究獲浙江中醫藥大學附屬杭州西溪醫院倫理委員會批準（倫理審批號：杭西醫倫審2023研第016號），并免除知情同意。

1.2 TE檢查及定量值獲取

使用海斯凱爾的Fibrotouch機型同時完成TE測量并分別獲取肝臟硬度（liver stiffness measurement，LSM）及脂肪衰減指數（fat attenuation index，FAI）。測量時患者仰臥位，右手放在頭后，暴露肝右葉區的肋間隙。通常取劍突水平線、右腋中線及肋骨下緣所包圍的區域為檢測區域。探頭垂直緊貼皮膚，于肋間隙選定測量位置，檢查者采集圖像并獲得測量值，取10次成功測定值的中位數為最終測定值。

1.3 臨床數據收集

收集患者的一般資料和實驗室檢查數據，包括性別、年齡、凝血功能指標（國際標準化比值和凝血酶時間）、白細胞、淋巴細胞、中性粒細胞、紅細胞、血紅蛋白、平均紅細胞體積、血小板、白蛋白、谷丙轉氨酶、谷草轉氨酶、谷氨酰轉肽酶、堿性磷酸酶、總膽紅素和直接膽紅素。

1.4 預測模型的構建

在訓練組中對每個潛在的預測變量進行最小絕對收縮和選擇算子（least absolute shrinkage and selection operator，LASSO）算法，篩選出CHB患者早期肝纖維化的獨立預測因子，之后通過多因素Logistic回歸構建預測模型并制作列線圖，模型效能由測試組進行驗證，校準曲線以確定模型預測早期肝纖維化的估計概率與實際肝纖維化概率之間的一致性，Hosmer-Lemeshow檢驗模型的擬合度，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）評判模型的診斷準確性，決策曲線分析（decision curve analysis，DCA）用于評估臨床凈效益。

1.5 統計學方法

采用SPSS 17.0和Python 3.5.6軟件進行統計學分析。采用Kolmogorov-Smirnov檢驗對定量資料進行正態性檢驗，符合正態分布的計量資料以均數±標準差（±s）表示，比較采用獨立樣本t檢驗；計數資料以例數（百分率）[n（%）]表示，比較采用χ2檢驗。P<0.05為差異有統計學意義。

2 結果

2.1 兩組患者的臨床資料比較

兩組患者的臨床資料比較差異均無統計學意義（P>0.05），見表1。

表1 兩組患者的臨床資料比較

2.2 特征的篩選及模型的構建

對性別、年齡、TE特征及血清學生物標志物進行LASSO算法篩選后剩余8個臨床特征，包括年齡、LSM、FAI、紅細胞、白蛋白、谷丙轉氨酶、谷草轉氨酶和直接膽紅素，見圖1。對8個臨床特征進行多因素Logistic回歸后剩余LSM、FAI、紅細胞和谷草轉氨酶構建預測模型，見表2。

圖1 LASSO模型的特征選擇

表2 預測CHB患者早期肝纖維化的多因素Logistic回歸分析

2.3 預測模型的驗證

基于預測模型計算每例患者早期肝纖維化評分，之后使用ROC曲線進行性能評估，訓練組和測試組的AUC分別為0.824和0.819，敏感度分別為82.1%和80.6%，特異性分別為71.8%和68.8%。校準曲線在訓練組和測試組中顯示出良好的校準性能，Hosmer-Lemeshow檢驗在訓練組和測試組間差異無統計學意義（P>0.05），表明沒有偏離擬合，見圖2、圖3。DCA曲線無論在訓練組和測試組中均顯示模型良好的預測效能，見圖4。

圖2 預測模型的ROC曲線

圖3 預測模型的校準曲線性能

圖4 模型性能可視化圖

3 討論

本研究構建了一個基于TE技術和常規血清學標志物的預測模型以準確分類CHB患者早期肝纖維化和嚴重肝纖維化。與單純TE技術或血清學標志物相比，該模型極大提高早期肝纖維化的診斷準確性和預測性能，且易于處理，表明其在無創性肝纖維化評估領域的巨大潛力，可為進一步開發簡單、易用和準確的肝纖維化評估工具提供理論基礎。

本研究結果顯示模型有較高的準確性和優良的敏感度，這得益于一種新的篩選特征方法。既往研究主要使用單變量檢驗選擇重要特征，這種方法往往容易過度擬合，且難以復制[11-12]。為克服這些問題，本研究使用包括LASSO算法和多因素Logistic回歸在內的集成算法去除冗余特征以防止多重共線性，避免過度擬合。此外，本次構建的模型允許患者通過一次抽血進行評估，而不需要額外的附加檢查。這對于那些疾病發展高風險人群如晚期或重度肝纖維化患者的常規篩查尤其有吸引力。懷疑嚴重肝纖維化的患者過去需要進行肝穿刺病理學檢查，現在僅需常規血清學檢查和TE檢查即可判斷嚴重肝纖維化的概率，在成本和預后方面具有明顯的優勢。

眾所周知，區分F0～1和F2～4更具挑戰性，這是因為F≥2肝纖維化患者的肝纖維化異質性更嚴重，這通常會導致在臨床診療中識別顯著性肝纖維化的準確性有所降低[13-14]。本研究構建的模型顯示出對早期和中晚期肝纖維化良好的分類性能，尤其在訓練組和測試組中均顯示較高的敏感度。表明該模型可能更適用于評估早期肝纖維化，并可在常規臨床診療環境中應用。Zeng等[15]的研究結果顯示出更準確的肝纖維化分級，但其使用了諸如B2巨球蛋白、結合珠蛋白和載脂蛋白A1等指標，這些標志物在大多數醫院中并不常用，因此并不具有臨床普及性。本研究使用常規血清學標志物更具有臨床普適性。

本研究還有一定局限性。首先，本研究是一項回顧性研究，未來應側重于前瞻性研究的預測和分類模型的開發，這將允許使用縱向演化信息來評估和修改預測模型。其次，本研究沒有對該模型進行細菌或其他病毒感染的評估，因此并不清楚模型是否適用于細菌或病毒感染病例。最后，需要通過更好的工程設計進一步優化模型構建過程，并更全面地整合其他臨床數據進一步開發，以提高模型的分類性能，實現更準確的肝纖維化分期。

綜上所述，本研究構建的預測模型可為識別CHB患者早期肝纖維化提供一種潛在的新方法，有助于臨床監測和治療。