基于机器学习的肝细胞癌多指标联合诊断模型开发及验证

作者：黄媛; 崔悦; 王冠华; 李鹏; 赵也; 丁莹莹; 杜娟; 秦绪珍^*

来源：中国医学装备, 2023, 20(05): 50-53.

• 肝细胞癌(HCC)
• 机器学习
• 诊断模型
• 支持向量机(SVM)

目的：利用机器学习的方法建立并验证肝细胞癌(HCC)的多指标联合诊断模型，为肝癌的早期诊断提供新途径。方法：选取医院收治的102例原发性HCC患者临床信息及血清检测资料纳入HCC组，将收集的416例非HCC患者临床信息及血清检测资料纳入非HCC组，非HCC组患者中包括199例其他肿瘤患者、117例良性肝病患者和100名健康体检者，运用机器学习中的逻辑回归、支持向量机、随机森林和深度神经网络4种模型，分别构建包含性别、年龄、甲胎蛋白(AFP)、甲胎蛋白异质体比率(AFP-L3%)和脱-γ-羧基凝血酶原(DCP)5个指标的4种肝癌诊断模型。通过独立样本库对4种模型进行外部验证，采用受试者工作特征(ROC)曲线下面积(AUC)比较单一标志物和多指标模型对肝癌的诊断效能。结果：逻辑回归、支持向量机、随机森林和深度神经网络4种模型对HCC诊断效能的AUC分别为0.919、0.868、0.866和0.854，均显著优于单一标志物AFP(0.747)、AFP-L3%(0.746)和DCP(0.823)；且逻辑回归模型对HCC诊断效能的AUC为0.919，显著优于支持向量机(0.868)、随机森林(0.866)和深度神经网络(0.854)3种模型。在外部验证中，逻辑回归模型对HCC诊断的灵敏度为77.3%，特异度为94.5%。结论：利用机器学习模型整合多项指标可有效提升HCC的诊断效能，为HCC的血清学诊断提供新的思路。

• 单位
  重庆市中医院; 中国医学科学院北京协和医院