目的 利用H2O平台自动化机器学习(AutoM L)框架,建立非酒精性脂肪性肝病的预测模型.方法 收集苏州大学附属第一医院体检中心人员资料.利用临床结构化数据,基于H2O AutoML框架,建立预测非酒精性脂肪性肝病发病的多种机器学习算法模型,绘制ROC曲线并建立混淆矩阵来评价模型效力,同时对重要变量进行可视化呈现.结果 自动化建立28个机器学习模型.最佳模型为梯度提升机(GBM),Gini值为0.80,R2为0.42,LogLoss为0.45.模型中重要性绝对值排名前五的变量为:三酰甘油(95％C I:-1.053～-0.887)、天冬氨酸转氨酶(95％C I:-20.433～-16.927)、高密度脂蛋白(95％C I:0.232～0.268)、铁蛋白(95％C I:-80.533～-68.607)及血糖(95％C I:-0.576～-0.424).最佳模型GBM在验证集中特异度为0.818,敏感度为0.715,AUC为0.766,优于基于XGBoost、逻辑回归、随机森林和深度学习等算法类型.结论 非酒精性脂肪性肝病的机器学习模型为筛查非酒精性脂肪性肝病患者提供了新的诊疗思路.
作者：刘璐；朱锦舟；刘晓琳；王超；殷民月；高静雯；许春芳
来源：肝脏 2023 年 28卷 4期
