基于机器学习的肝硬化临床决策支持系统：一种结合可解释人工智能技术的肠道微生物组网络预测模型

《BMC Gastroenterology》：Machine learning-driven clinical decision support for liver cirrhosis: a gut microbiome-based web prediction model with explainable AI integration

　　

摘要

背景

肝硬化（LC）是一种全球范围内普遍存在的慢性肝病。现有的肝硬化诊断方法在安全性和可及性方面仍存在局限性。我们的目标是利用肠道微生物开发出一个可解释的机器学习（ML）预测模型，并将其作为基于网络的临床决策支持工具进行部署。

方法

数据来自PubMed和BioProject数据库。通过生物信息学重新分析和判别分析效应量（LEfSe）分析初步识别出与肝硬化相关的关键菌属。随后使用最小绝对收缩选择算法（LASSO）进行特征选择。将这些独立的数据集合并成一个综合数据集，并对其进行五折交叉验证和留一法（LODO）分析。通过接收者操作特征曲线下面积（AUC）等指标评估模型性能，并选择最优模型。利用SHapley加性解释（SHAP）方法解释最优模型的决策机制，并使用Streamlit框架将该模型部署为Web应用程序。

结果

最终我们纳入了11个与肝硬化相关的数据集。研究发现Veillonella、Lachnospira、Romboutsia、Akkermansia、Erysipelatoclostridium、Prevotella、UCG.005和Streptococcus等菌属是区分肝硬化患者和健康对照组的关键预测因子。随机森林（RF）模型表现出最佳的预测性能（五折交叉验证的AUC为0.875，95%置信区间：0.823–0.905；LODO分析的AUC为0.793，95%置信区间：0.702–0.940），并被开发成了在线肝硬化预测工具。

结论

这种可解释的RF模型及其基于网络的实现方式有潜力为医疗专业人员提供决策支持，并有望成为肝硬化筛查和早期临床干预的宝贵辅助工具。