生化检测和机器学习技术在肝病诊断和评估中的应用

时间：2022-08-31　|　作者：似锦的悲伤

听作文 - 生化检测和机器学习技术在肝病诊断和评估中的应用

00:00 / 00:00

语速: 慢速默认快速

- 6 +

自动播放（×）

御姐音

大叔音

萝莉音

型男音

温馨提示：

是否自动播放到下一条内容？

立即播放当前内容？

确定

取消

摘要：背景：肝功能检查 (LFT) 仍然是诊断肝胆疾病最常用的临床措施之一。LFT 有时被称为肝面板，有助于确定肝脏的健康状况、监测疾病的进展并测量疾病的严重程度，特别是肝瘢痕或肝硬化。目的：在本研究中，我们提出了一种通过评估八个生化参数来评估肝病自然进展的新方法：血清总胆红素 (TB)、丙氨酸氨基转移酶 (ALT)、天冬氨酸氨基转移酶 (AST)、碱性磷酸酶 (ALP) )、总蛋白 (TP)、白蛋白 (ALB)、白蛋白/球蛋白 (A/G) 比值和甲胎蛋白 (AFP) 以及两个 ma中文学习 (ML) 工具——随机森林和 CART 以取得实质性成果。方法：本研究共纳入 100 名受试者，包括健康对照组（I-25 组）、急性肝炎（II-25 组）、慢性肝炎（III-25 组）和肝细胞癌（I-25 组）。 IV-25 组患者）同时应用生化和机器学习方法。结果：在测试的八个参数中，除 ALP (p = 0.426) 之外的所有参数都显示出通过单因素方差分析判断的总体辨别能力 (p < 0.0001)。我们还通过最小显着性差异 (LSD) 评估了组平均值之间的差异。分析表明，与对照组相比，II、III 和 IV 组的 TB 仍然显着升高（p < 0.05）。ALP 在测试的四组中没有任何区分能力。ALT 和 AST 是仅在对照组与组 II 和 III 之间的良好鉴别器。与对照组相比，第 III 组和第 IV 组的 TP、ALB 和 A/G 比显着降低。使用这些生化参数几乎无法区分 III 组和 IV 组，但 AFP 仅在 IV 组中升高。结论：与慢性肝炎（III 组）和肝细胞癌（IV 组）相比，急性肝炎（II 组）的 AST、ALT 和 ALP 水平更高。两种机器学习算法还通过正确分类肝病患者来预测和支持相同的生化结果。如果怀疑有肝细胞癌，我们也建议可以进行 AFP 检测。

关键词

肝炎,肝细胞癌,胆红素,转氨酶,胆汁淤积,机器学习,随机森林, CART

一、简介

作为人体最大的器官，肝脏在我们全身的血液输送中发挥着重要作用，并控制着我们血液中大部分化学物质和废物的浓度。因此，保持肝脏健康很重要。寄生虫、病毒通过感染肝脏引起炎症并降低功能，随后导致肝病 (LD) [ 1 ]。

LD是一种常见的临床疾病；它还与高发病率和死亡率有关 [ 2 ]。此外，LD 与糖尿病、代谢综合征、酒精和肥胖症的患病率同步增加 [ 3 ]。LD 的较高患病率似乎是一个更大的经济负担。因此，准确识别有风险的个体和早期识别 LD 可为诊断、预防甚至适当治疗提供巨大的好处。随后，依靠单一的诊断测试不足以评估肝功能 [ 4 ]。因此，多种生化措施可用于确定肝脏的一般状况。

不同的生化测试通常称为肝功能测试 (LFT)，可为肝病提供辅助证据 [ 5 ]。计量记录、体格检查以及诊断测试 (LFT) 结果需要 1) 识别患有肝病的患者；2）黄疸鉴别诊断；3) 监测严重程度（即疾病的病程和反应）；4) 检测各种药物引起的肝毒性 [ 6 ]。此外，常用的 LFT 主要用于确定肝损伤，而不是监测肝功能，这会使疾病的识别变得复杂 [ 7]。当然，这些生化测试也可以检测到溶血（高胆红素）、较高的碱性磷酸酶水平（骨病）等问题。LFT 异常通常表明肝脏可能无法正常工作并表明问题的严重性。但是，预测肝病的正确性和准确性仍然不确定[ 6 ]。

从本质上讲，机器学习 (ML) 等基于计算机的诊断方法/工具可以帮助准确地预测肝脏疾病。ML 的知识发现使得处理有价值的数据以增强医学诊断和预后方面的决策成为可能。研究人员对 ML 表现出潜在的兴趣，以支持数据挖掘、分类技术（基于特征或特征）以进行肝脏疾病的医学诊断和预测 [ 8 ]。在医疗环境中，可以根据疾病的类型和/或亚型将患者组诊断为不同的类别。在 ML 中，分类被定义为一种监督方法，其中将训练数据拟合到模型中，然后使用基于特征的已知样本类别的数据集来训练模型[9 ] [ 10 ]。后来模型预测了未知的测试样本类别[ 9 ]。分类器性能是通过测量描述正确分类事件百分比的分类准确度来评估的。ML 为改善肝脏疾病的诊断和预测疾病提供了希望 [ 8 ]。

进行了几项肝功能检查，以评估患者肝功能障碍的情况和进行药物治疗。生化指标：血清胆红素、丙氨酸氨基转移酶（ALT）、天冬氨酸氨基转移酶（AST）、碱性磷酸酶（ALP）、甲胎蛋白、5'核苷酶、铜蓝蛋白是肝功能检查[ 5 ][ 11 ][ 12 ]。很少有其他研究表明，ALT、AST、ALP、GGT、胆红素、凝血酶原时间、血清白蛋白是肝病患者通常进行的测试 [ 13 ] [ 14]。在这些研究中，研究人员强调了这些测试对反映肝功能的重要性。例如，胆红素表示阴离子的排泄，转氨酶解释肝细胞的完整性，胆红素，ALP 描述胆汁的产生和随后胆汁的自由流动，白蛋白表示蛋白质的合成。总体而言，研究人员全面介绍了所有这些生物标志物以及 AFP、血清蛋白以筛查肝功能 [ 4 ]。此外，他们发现在肝细胞癌的情况下 AFP 升高。此外，在无症状患者的情况下，观察到血清 ALT 水平轻度升高，大约三分之一的患者肝酶功能持续正常 [ 6 ] [ 15 ]。

最近，作者提出通过使用 ML 通过肝病分类和聚类模式来构建智能医疗决策支持系统，这些模式可以使医生受益于治疗 [ 16 ]。其他研究推荐了基于肝病的数据分类，并使用不同的算法（J-48、SVM、随机森林树等）对这些肝病进行分类 [ 17 ] [ 18 ]。例如，研究人员使用六种机器学习方法；LR、KNN、DT、SVM、NB、RF对肝病患者进行分类。他们估计了应用方法的准确性、召回率（特异性）和精度（敏感性），同时将患者分组 [ 19]。在另一项研究中，CART（分类和回归树）被用于检测肝病患者，并获得了 92.94% 的准确率 [ 20 ]。作者应用了分类算法；朴素贝叶斯、C4.5 决策树、反向传播、SVM 和 KNN。他们比较了分类器的性能，以根据准确性、精确度、敏感性和特异性对患者进行分类 [ 21 ]。最近在一项研究中，作者使用不同的机器学习算法预测了慢性肾病的危险因素；随机森林、决策树桩、线性回归、朴素贝叶斯、简单逻辑回归，同时对 CKD 患者进行分类 [ 22 ]。

在这项研究中，考虑到这两种方法的重要性和实用性，我们努力寻找两个关键的研究问题：1）哪些生化参数与不同的肝病显着相关，2）通过使用评估/验证结果机器学习工具。为了得到答案，我们进行了一项横断面研究，以 a) 使用不同的生化标志物（TB、ALT、AST、ALP、TP、ALB、A/G 比和 AFP 和 ALT，b）评估肝脏患者。支持研究结果的 ML 预测模型（随机森林和 CART）。我们的目标是使用 ML 工具建立肝脏常规 LFT 之间的关系，以验证准确性。我们相信，该研究有助于临床医生正确识别并做出预防、早期诊断和针对性干预的可行决策。该研究提供了关于利用生化测试和 ML 工具预测肝病的新见解。据我们所知，该研究是第一个将传统生化测试与计算分析联系起来的举措，随后确立了 ML 对生化测试结果的支持。

2。材料和方法

由达卡大学生物化学和分子生物学 Shekhar 实验室提供的四个不同组（对照、AH、CH、AH）的患者数据以两种不同的方式进行了分析；1）检测生化参数——血清总胆红素（TB）、丙氨酸氨基转移酶（ALT）、天冬氨酸氨基转移酶（AST）、碱性磷酸酶（ALP）、总蛋白（TP）、白蛋白（ALB）、白蛋白/球蛋白（A/G）比率和甲胎蛋白（AFP），然后进行统计分析以获得这些参数在不同组中的分布。2）使用ML方法-RF和CART将样本分为4个不同的组，得到分类模型的准确性，然后找到重要特征作为肝脏疾病的生化重要参数。研究过程如图1所示。

2.1。生化测试

2.1.1。数据采集

根据三年的病例记录，从诊断诊所的病理实验室中选择患者。收集样品并随后与 Shekhar Lab 合作进行分析。首席研究员 Hussain Uddin Shekhar 博士有权收集样本。所有患者均签署了书面知情同意书。患者标准如下： 1）急性病毒性肝炎（AH）患者经临床特征、血清学检查、超声检查确诊；2）慢性肝炎（CH）患者黄疸持续6个月以上无HC；3) HC 的诊断已通过肝脏标本的组织学检查和活组织检查得到证实。通过 HbsAg 酶免疫测定试剂盒（DiaSorin，Vercelli，Italy）检测到 67% 的乙型肝炎伴 AVH，75% 在 CH 中，80% 在 HC 中。对照组是健康的志愿者，包括学生和大学教职员工。

2.1.2. 血液样本

采集静脉血样本并使其凝结。然后在 4°C 下以 4000 rpm 的速度离心 10 分钟。然后将血清分离并储存在 -20°C 直至分析。工艺流程如图2所示。

2.1.3。实验室测试

以下常规肝功能测试通过标准方法进行。参考编号——血清胆红素[ 23 ]、血清丙氨酸氨基转移酶[ 24 ]和天冬氨酸氨基转移酶[ 24 ]、血清碱性磷酸酶[ 25 ]、血清总蛋白[ 26 ]、血清白蛋白[ 27 ]——制备样品，在这些患者中测量每个参数的数量作为 LFT。从总蛋白中减去白蛋白值并计算血清球蛋白浓度，因为总蛋白值由白蛋白和球蛋白值组成。

图 1。不同肝病患者的数据分析管道。

图 2。血清采集的工艺流程。

胆红素

总胆红素和直接胆红素是通过改进的 Jendrassik-Grof 分析法和离心分析仪法测量的 [ 23 ]。

甲胎蛋白（AFP）_ _

在 IMx 系统（雅培实验室，IL 60064，美国）中，通过微粒酶免疫测定 (MEIA) 技术测定血清甲胎蛋白水平 [ 28 ]。

AST 和 ALT

为了正确测量这两种酶，使用基本变量（缓冲液种类、缓冲液浓度、离子、pH）和动力学参数（确定抑制剂和米氏常数）优化条件 [ 24 ]。

碱性磷酸酶

使用名为“Iso-ALP”，Boehringer Mannheim 的测试套件测量血清 ALP。该测定的原理基于 Rosalki 和 Foo (Clin Chem 1984; 30: 1182-6) [ 25 ]。

总蛋白

TP 是根据双缩脲法 [ 26 ] 确定的。

白蛋白

使用溴甲酚绿的快速且一致的方法测量血清白蛋白。在这种方法中，当白蛋白加入到 0.075M 琥珀酸盐缓冲液中（pH4.20 和溴甲酚溶液）时，628 nm 处的吸光度增加 [ 27 ]。

2.1.4。统计分析

所有统计分析均使用 SPSS 统计软件包（10.0 版）完成。最初使用数据对数变换后的单向方差分析 (ANOVA) 来检测八个生化参数的组平均值的总体差异。使用最小显着性 (LSD) [ 29 ]评估组平均值之间的差异。

2.2. 机器学习 (ML)

2.2.1。随机森林

RF 是一种聚合分类器，可在大型数据集上高效工作。它是一种回归分类方法，通过从随机选择的训练数据子集生成决策树并给出输出类（即，它是单个树的输出 [ 30]。在分析过程中无需减少变量，因为 RF 可以轻松维护数千个输入属性。RF 提供对分类中重要的变量的估计。在多棵树的生成过程中，输入向量被放到森林中的每一棵决策树上，以对一个新的肝脏对象进行分类。每棵树都会投票选出新的数据分类以提高准确性。大多数包含类的选票是由森林选择的。以下等式用于使用 RF 模型对肝脏数据进行分类 [ 31 ]。

n一世j=wjCj-w左（j ）C左（j ）-w对( j )C对( j )(1)

ni j = 节点j的重要性

· w j = 到达节点j的加权样本数

· C j = 节点j的杂质值

· left( j ) = 在节点j上从左侧拆分的子节点

· right( j ) = 从节点j右拆分的子节点

F一世一世=∑j :节点j splitsonfeature in一世j∑k ∈所有节点n一世ķ(2)

· fi i = 特征i的重要性

· ni j = 节点j的重要性

n o r m f一世一世=F一世一世∑j ∈所有特征F一世j(3)

射频_F一世一世=∑j ∈所有树n o r m f一世我j吨(4)

· RFfi i =从随机森林模型中的所有树计算的特征i的重要性

· normfi ij =树j中i的归一化特征重要性

· T = 树的总数

准确度= ( TP + TN ) / ( TP + TN + FP + FN )(5)

2.2.2。大车

CART（分类和回归树）是一种 ML 分类模型，它有助于根据标记的其他变量获得一个变量，然后通过询问一组 if-else 问题来预测类别 [ 32 ]。使用这些模型有两个优点；1) 该模型处理非线性数据集，2) 不需要数据标准化或标准化，因为不计算数据点之间的距离或其他定量参数。在树模型的构建中，树中涉及到三种类型的节点（Root、Internal和Leaf）。每个节点都有自己的 if-else 变量问题，这些变量可以指向特定的叶节点，以使用决策边界对类进行最终预测 [33 ]。信息增益（IG）是检测节点纯度的标准，可以根据节点对项目的拆分来衡量。相应的杂质标准用于分割特征（表1）。

不纯

任务

公式

描述

基尼杂质

分类

∑一世=1CF一世(1-F一世)

fi是标签i在节点的频率，C是唯一标签的数量

熵

分类

∑一世=1C-F一世日志(F一世)

fi是标签i在节点的频率，C是唯一标签的数量

方差/均方误差 (MSE)

回归

1ñ∑一世=1ñ(是的一世-μ)2

yi是实例的标签，N是实例的数量，μ是由下式给出的平均值1ñ∑一世=1ñ是的一世

方差/平均绝对误差 (MAE)（仅限 Scikit-learn）

回归

1ñ∑一世=1ñ|是的一世-μ|

yi是实例的标签，N是实例的数量，μ是由下式给出的平均值1ñ∑一世=1ñ是的一世

表 1。基于 Scikit-learn 和 spark [ 31 ] 的方程描述的杂质标准的 CART 分类。

信息增益（T , X) =熵( T) −熵( T, X)(6)

· T = 目标变量

· X = 要分割的特征

· Entropy ( T , X ) = 在特征X上拆分数据后计算的熵

3. 结果

3.1。患者特征

本研究中使用的各组患者和对照的人数和年龄的汇总数据如表 2所示。各组之间的平均年龄没有显着差异。对数据的检查显示了非高斯分布的明确证据。但是，转换为 log10 成功地对数据进行了规范化。所有后续分析均基于原始值的对数。

3.2. 生化

3.2.1。生物医学参数比较

正如预期的那样，所有八项生化参数的四组之间的平均值存在很大且具有统计学意义的差异。这些总结在表 3中，该表还显示了每个参数组的不同之处。例如，对照的平均值与所有其他组的胆红素、ALT 和 AST 不同，但与 AFP 的 AH 和 CH 没有差异。表 3显示了四组的每个生化肝功能测试的平均值 (±SD)：健康个体（对照）、AH、CH 和 HC。此外，p 值来自方差分析。在每组中，显示相同字母（即，a或 b 下标）的算术平均值彼此之间没有显着差异。

尽管组均值不同，但对于每个生化参数，个体患者之间存在相当大的重叠。结果如图 3 (a)-(h) 所示。数据显示，许多肝病患者明显处于病理范围内，而其他肝病患者在正常范围内。因此，不可能在这些图上画一条线，将所有肝病患者与对照组分开，或区分肝病组。

团体

男性

女性

全部的

年龄

(n)

（年）

控制（Gr-I）

39.4±11.8

急性肝炎（Gr-II）

42.3±11.5

慢性肝炎（Gr-III）

40.7±11.0

肝细胞癌 (Gr-IV)

45.4±9.7

表 2。患者和对照的汇总数据。

价值

团体

p值

我（控制）

二 (AVH)

三（中国）

四（HC）

法新社 (IU/mL)

I.85 ± 1.52一个

1.07 ± 1.73一个

1.75 ± 1.51一个

161±2.22

<0.0001

A/G比

1.36 ± 1.25一个

1.36 ± 1.44一个

1.10±1A7b

0.92 ± 1.46b

<0.0001

白蛋白 (g/dL)

4.31 ± 1.21一个

4.03 ± 1.20一个

3.37 ± 1.37b

2.83 ± 1.32b

<0.0001

碱性磷酸酶 (UL)

181 ± 1 43一个

228 ± 2.45一个

181 ± 1.45一个

187 ± 1.58一个

>0.05

ALT (UL)

26.0 ± 1.65一个

264±3.64

42.1 ± 1.58b

34.8 ± 1.68a/b

<0.0001

AST (UL)

20.9 ± 1 52

290±3.53

52.8± 1.36一个

41.5 ± 1.64一个

<0.0001

胆红素 (mg/dL)

0.60 ± 1.43

8 44 ± 1.75

2.30 ± 1.78一个

2.46 ± 1.62一个

<0.0001

总蛋白 (g/dL)

7.19 ± 1.10一个

7.09 ± 1.09一个

6.55 ± 1.17b

6.96 ± 1.15b

<0.0001

表 3。四组受试者生化参数的几何平均值±SD值。

(a)(b)(c)(d)(e)(f)(g)(h)

图 3。(a)-(h)：三个诊断组中每一组中对照受试者和患者的八项生化参数中每一项的个体值。基于线显示控制对象的极端值。缩写为 AH：急性病毒性肝炎，CH：慢性肝炎 HC：肝细胞癌。

3.2.2. 生化参数检查（关于胆红素）

从图4可以看出，AH组（图4（a）），当患者胆红素低时，AST、ALT、ALP浓度低，高胆红素患者浓度高AST、ALT 和 ALP 酶描述了疾病在急性条件下的严重程度。所有患者的其他参数如总蛋白、白蛋白和 AFP 均观察到胆红素水平升高。从图 4 (b) 可以看出，在胆红素对 CH 的低值和高值的情况下，相应的肝酶i。e.、AST、ALT 和 ALP 分别显示更高的值。其他参数与胆红素值一致，说明随着胆红素值较高，AFP、TP或白蛋白值变化不显着。在比较 HC 胆红素与其他肝酶时，我们观察到了相似的 (CH) 结果（图 4 (c)），在 HC 的情况下，肝酶水平没有显着增加，高值胆红素的患者没有表现出高值ALT，AST。AFP 浓度显着高于其他两种酶。然而，其他参数的值显示出与 AH 和 CH 相似的结果。所有这些发现都与图 3所示的结果一致。

3.3. 机器学习

3.3.1。随机森林

RF 分类器模型将 100 名患者分为 4 组（对照组、AH、CH、HC）。在 100 名患者中，该模型使用整个数据集正确分类了 95 名患者（表 4）。当数据被分成训练（70%）和测试（30%）样本时，模型将30名患者分类为测试样本，28名患者被正确分类（表5）。该模型还对特征进行了估计，并根据特征重要性对它们进行了 1 到 7 的排名（表 6）。根据这一估计，已确定胆红素是诊断所有 4 名肝病患者的最重要参数。第二个重要参数是 AFP；第 3个是 AST，第 4个是 ALT（图 5）。因此，该模型以 94% 的准确率将患者正确分类为不同的组。

图 4。显示胆红素水平与三个不同组中的其他参数的关系，即AH、CH、HC，除了对照。对于每组，x 轴表示胆红素的浓度，y 轴表示所有其他参数的对数刻度值。肝酶即AST和ALT显示高值，胆红素值高。AH、CH、HC 基团分别由 (a)、(b)、(c) 表示。每个点代表每个患者的相应参数的值。

图 5。使用 RF 模型对特征或参数进行排名的可变重要图。

肝病类

啊

甲烷

控制

啊

甲烷

控制

表 4。混淆矩阵。

肝病组

啊

甲烷

控制

啊

甲烷

控制

表 5。RF 测试数据集的混淆矩阵。

排行

特征

分数

胆红素

0.2623

法新社

0.2311

AST

0.1754

ALT

0.1359

白蛋白

0.08

总蛋白.TP。

0.0718

碱性磷酸酶

0.0434

表 6。带有分数的特征排名。

3.3.2. 大车

CART 分类器模型将 94 名患者正确分类为 100 名患者中的 4 个不同组。对整个数据进行训练并预测类别。结果显示在表 7中作为混淆矩阵。分类树的重要发现之一是在 7.4 个特征中；AFP、胆红素、ALT、AST 在分类过程中很重要。这 4（四）个特征是执行分类所必需的。结果表明，25名HC患者仅需要AFP即可正确分类，对照组需要胆红素，所有患者均正确分类。AH 和 CH 患者分类需要 ALT 和 AST。所有 25 名 AH 和 21 名 CH 患者均被正确分类，6 名患者被错误分类为 HC 患者（图 6）。

肝病组

啊

甲烷

控制

啊

甲烷

控制

表 7。混淆矩阵。

图 6。四种肝病组的分类树（CART）。这里 Bilirubi 表示胆红素。

4。讨论

4.1。生化测试

在这项研究中，在包括对照组和三种肝病患者在内的四个受试者组中评估了八项生化参数的诊断有效性。选择生化参数来测量器官的一系列已知生化功能。由于肝脏执行各种各样的任务，因此依靠单一测试不足以评估肝功能。因此，多种诊断测试对于肝胆疾病的指征以及具有两个模型i的 ML 分类方案是必不可少的。e . 射频和手推车。

4.1.1。胆红素

尽管健康人体内存在少量非结合（间接）胆红素，但血液中几乎没有可观察到的结合（直接）胆红素。这是由于结合胆红素迅速分泌到胆汁中。血清胆红素水平不会增加不少于肝脏排泄潜力的一半。本研究发现急性肝炎患者血清总胆红素明显升高，与对照组无重叠（图3（a））。在第三组（慢性肝炎）和第四组（肝细胞癌）中，胆红素水平虽然与对照组相比仍然升高，但没有急性肝炎高。血清胆红素有助于确定肝脏摄取、结合和分泌的异常 [ 34]。

4.1.2. ALT 和 AST

ALT 和 AST 水平描述了最常用的肝损伤标志物。该研究表明，与对照组相比，急性肝炎患者的血清 ALT 和 AST 显着升高（图 3（b），图 3（c））。在第四组，我。例如，在肝细胞癌患者中，ALT 水平与对照组没有显着差异。在肝细胞癌中，细胞凋亡诱导的死肝细胞会枯萎并可能合成较少的酶。这可能解释了为什么大多数肝细胞癌患者的肝酶持续正常，尽管在肝活检中有炎症 [ 35 ] [ 36 ]]。IV组的平均AST值虽然显着高于对照组，但与对照组有相当大的重叠。这种酶的肝外来源可能解释了与 ALT 的这种差异。此外，吡哆醇缺乏可能是这种现象背后的另一个原因。虽然 ALT 的形成受到吡哆醇缺乏的抑制比 AST 更强，但 ALT 和 AST 都使用吡哆醇作为辅酶 [ 37 ]。在第三组中，我。e.，在慢性肝炎患者中，ALT和AST值均显着高于对照组，但不如急性肝炎患者组高。这背后的原因还不是很清楚。从最近的研究中观察到，可以找到慢性丙型肝炎病毒（HCV 感染患者）的组织学证据，而血清转氨酶正常或轻微升高的情况经常存在 [ 38 ]。

4.1.3。碱性磷酸酶

血清 ALP 值在对照组和其他三个患者组之间没有显示出任何实质性差异（图 3（d））。获得的结果还表明，ALP 不是识别肝细胞损伤或肝内问题的良好标志物。惊人的高 ALP 水平表明药物引发肝外胆道梗阻、原发性肝硬化和胆汁淤积的风险。由于本研究没有招募任何此类患者，因此所研究的所有四组的血清 ALP 值几乎彼此可比。

4.1.4。血清白蛋白

血清总蛋白和 A/G 比值也是肝脏合成能力的间接衡量指标，因为大多数血浆蛋白是在肝脏中合成的。我们在本研究中还发现，III (CH) 和 IV (HC) 组的总蛋白、白蛋白和 A/G 比显着降低，而 II 组 (AH) 则没有（图 3 (e)、图 3 (f ),图 3（G））。可能的解释如下：1）大约三周是白蛋白的半衰期，是一个很大的生命周期，2）肝脏合成能力的下降被白蛋白的合成速度比正常合成速度的两倍所补偿. 因此，血清白蛋白浓度会随着蛋白质合成的变化而缓慢变化。这可能是急性肝炎患者血清白蛋白、总蛋白和A/G比值在正常范围内的原因。总体而言，这三项生化检查是慢性肝病的阳性指标，但慢性肾功能衰竭、尿蛋白丢失或胃肠道特性丧失可能会影响水平 [ 39 ] [ 40 ]。

4.1.5。甲胎蛋白

在这项研究中，AFP 被评估以区分肝细胞癌和其他肝脏疾病。该研究清楚地表明，与对照组相比，AFP 仅在 IV 组 (HC) 中显着升高（图 3 (h)）。良性肝病; 例如急性慢性活动性肝炎、病毒性肝炎和肝硬化偶尔会显示 AFP 水平升高 [ 41 ]。然而，这项研究没有发现任何这样的关联。本研究的另一个重要发现是，除 AFP 外，本研究中使用的任何参数都无法区分 III 组和 IV 组。

4.2. 机器学习 (ML)

4.2.1。随机森林

ML 研究支持生化分析的发现。RF 模型在预测患者类别或组时估计特征重要性（图 5）。这一发现导致胆红素作为最重要的特征，表示诊断所有 4 种肝病的标志物。AFP 是与生化结果的发现和讨论相关的第二个重要特征，因为 AFP 可以将 HC 组与其他组区分开来。ALT 和 AST 是预测 ML 研究中与生化结果相关的另一个关键特征，因为这两个参数值在 AH 和 CH 患者中高度增加。特征排名（图5) 表明前四个变量（胆红素、AFP、ALT、AST）被证明是诊断肝脏患者所必需的，其他特征对于分类的重要性不显着，这也在生化部分进行了讨论，并且从结果中显而易见。

4.2.2. 大车

从使用 CART 模型的这种 ML 分类中，可以看出 HC 患者是根据与实验结果相关的 AFP 数据分类的（第 3.2 节）。AH和CH患者是从AST和ALT的数据来分类的，也就是说这些酶是诊断AH、CH的重要标志物。这一发现也与实验结果相关。从树中，4 个特征（即胆红素、ALT、AST、AFP）显示并预测对分类很重要，总体而言，生化分析也提供了相同的结果。

5. 结论

总之，肝功能异常的判定需要密切关注病例记录中的相关数据以及身体评估。通常将肝脏检查分为三组是有帮助的：评估合成功能（白蛋白、总蛋白和 A/G 比），评估肝细胞损伤或炎症（ALT 和 AST），评估胆汁淤积（ALP 和谷氨酰转移酶）。只有在怀疑肝细胞恶性肿瘤时才能使用 AFP。肝脏疾病的临床状况和特定模式不仅可以最大限度地减少各种诊断，还可以提供一种具有成本效益的方法来评估患者和识别需要肝活检的个体。

知情同意

从参与本研究的患者获得书面知情同意书。

作者贡献

概念——SA；南非；设计——SA；南非；监督——SAZ；胡斯; 资源——SI；材料——SA；南非；数据收集和/或处理——SI；萨；分析和/或解释——SA；南非；手稿——SA；萨兹

利益冲突

作者声明与本文的发表没有利益冲突。

参考

[ 1 ] Singh, A. 和 Pandey, B. (2014) 肝脏疾病中的智能技术和应用：调查。国际生物医学工程与技术杂志，16，27-70。

[ 2 ] Hay, JE (2004) 急性肝功能衰竭。当前的胃肠病学治疗方案，7, 459-468。

[ 3 ] Khan, B.、Naseem, R.、Ali, M.、Arshad, M. 和 Jan, N. (2019) 肝病诊断的机器学习方法。国际数据科学与高级分析杂志，1, 27-31。

[ 4 ] Thapa, BR 和 Walia, A. (2007) 肝功能测试及其解释。印度儿科学杂志，74，663-671。

[ 5 ] Agrawal, S.、Dhiman, RK 和 Limdi, JK (2016) 肝功能异常测试评估。研究生医学杂志，92，223-234。