人工智能能够预测与代谢功能障碍相关的脂肪性肝病的性别特异性风险

《Biology of Sex Differences》：Artificial intelligence predicts sex-specific risk of metabolic dysfunction-associated steatotic liver disease

　　

摘要

背景与目的

与代谢紊乱相关的脂肪性肝病（MASLD）在风险因素、疾病进展以及肝内和肝外结局方面存在明显的性别差异。我们利用常规临床数据训练了针对不同性别的机器学习（ML）算法，以评估这些算法的性别特异性学习模式和诊断性能。

方法

在这项在心脏病转诊中心进行的横断面研究中，共招募了446名成年人。参与者被分为训练组（127名男性，185名女性）和测试组（55名男性，79名女性）。我们使用整个数据集以及对男性和女性分别进行的数据集，训练了8种ML分类器，以预测MASLD的存在以及通过超声检查评估的脂肪变性程度（无/轻度/中度至重度）。通过网格搜索交叉验证调整了超参数，并在未见过的测试集上评估了模型的性能。

结果

参与者中MASLD的患病率为63.6%；41.2%的人患有轻度脂肪变性，22.4%的人患有中度至重度脂肪变性。与基于整个数据集训练的模型相比，针对性别的建模在男性中的诊断性能有所提高，但在女性中仍不尽理想。对于MASLD的存在，表现最佳的模型的AUC/F1分数分别为：总体0.769/0.856，男性0.793/0.897，女性0.681/0.794。对于脂肪变性的程度，相应的AUC/F1分数分别为：总体0.761/0.671，男性0.723/0.608，女性0.718/0.571。使用分层交叉验证进行的敏感性分析证实了男性和女性之间的性能差异。阈值分析显示，男性在纳入和排除病例方面的性能尚可，但在女性中表现不佳。特征重要性排名在两性之间存在显著差异，表明存在不同的性别特异性学习模式。

结论

基于人工智能的算法能够识别MASLD脂肪变性风险预测中的性别特异性学习模式。常规临床变量对男性的预测更为准确，但在女性中的算法性能较弱。这一发现表明，如果不使用性别特定的风险因素来训练MASLD风险算法，可能会增加女性的误分类风险。因此，要开发出更公平且具有临床可靠性的模型，需要在MASLD预测框架中整合女性特定的风险因素，并采用性别分层的数据处理策略，以减少诊断中的不公平现象，并支持更个性化的护理。