非酒精性脂肪性肝病（NAFLD），是中国最常见的慢性肝病之一，是肝脏代谢综合征的表现，影响着4亿多国人的健康。从肝脏本身损害来说，NAFLD可以引起脂肪性肝炎、肝纤维化、肝硬化甚至肝癌；从肝外损害来说，它可以引起高脂血症、高尿酸血症、高血压、糖尿病、冠心病、中风等。
准确可靠地评估NAFLD患者的肝纤维化程度是临床上一个非常重要的问题。FrontMed近期刊登的绘云生物研究团队论文中提到，其开发的“LiveFbr”集成互联网工具，可通过相关参数值，无创、智能地诊断NAFLD患者的肝纤维化早期和晚期程度。
当前NAFLD患者肝纤维化诊断方法
评估NAFLD患者的肝纤维化程度，对疾病预后具有重要意义。当前，肝穿刺活检仍是诊断NAFLD患者肝纤维化进展的金标准，由于其有创性、不宜反复进行等固有缺点，这种侵入性诊断不能大规模在人群中进行。
在过去的十多年中，有许多基于血液标志物的非侵入性方法，在一些国家和地区被推荐作为诊断肝纤维化和肝硬化的辅助方法，但这些技术仍有很多突破空间，还需要进一步研究和验证，以找到更简单、易行和准确性高的诊断技术和方法。
随着生物医学数据量的增加和人工智能的普及，机器学习方法已被积极用于开发各种疾病状态评估工具，有助于研究出更准确的非侵入性的检测方法，对疾病监测和治疗发挥着至关重要的作用，LiveFbr应运而生。
LiveFbr—NAFLD肝纤维化评估新方法
绘云生物研究团队应用先进的机器学习方法，开发套用于生物学研究和临床应用的集成互联网工具LiveFbr，可无创评估NAFLD肝纤维化程度，患者输入相关参数值可即时获得评估结果。
LiveFbr核心是：首先，基于发现集样本血液标志物，根据筛选出的参数集构建逻辑回归（LogisticRegression简称LR）评分模型，进一步在独立的数据集上验证模型的有效性。
在此研究中，共有名经肝活检确诊的NAFLD早期和晚期肝纤维化患者，他们分别来自中国（n=）、马来西亚（n=）和印度(n=97)，分为3个独立队列，参与LR模型的构建和验证。
LR模型的构建与验证
在此模型参数的选择上，通过以下两个步骤来选择最佳参数集：
首先，通过逻辑回归、ROC和假设检验的方法进行临床参数的预选，18个参数中有14个通过筛选，它们分别是年龄、性别、AST、ALT、AST/ALT比值、AST/PLT比值、DM/IFG、PLT、BMI、FBG（空腹血糖）、GGT（γ-谷氨酰转肽酶）、TG（甘油三酯）、LDL（低密度脂蛋白）、HbA1c（糖化血红蛋白）。
其次，使用参数数量与auPR+auROC的值、准确性、F1得分进行权衡，选择出8个最优参数，包括年龄、ALT、BMI、DM/IFG、FBG、GGT、TG、AST/PLT比值。
最后，根据发现的最优参数集，构建了一个逻辑回归（LR）模型来区分NAFLD患者的早期和晚期纤维化。
LiveFbr设计流程图通过数据表明，与FIB-4和NFS相比，该LR模型的诊断性能最佳。
另外，将LR模型与其它机器学习方法，如随机森林（RF）和梯度提升（GB）进行比较，用最优参数集分别建立了LR、RF和GB模型，验证集的结果显示，LR模型比RF和GB模型具有更高的auROC、auPR和灵敏度值。在模型独立性评估上，也进一步证实了LR模型的可靠性。
总的来说，研究团队通过名参与者的三个独立数据集评估建立的逻辑回归模型（LR）用于区分早期和晚期肝纤维化的性能。结果显示，该模型的性能与一些机器学习的诊断方法能力相当并且优势明显。该研究也具有一定的局限性：
不同病因的慢性肝病患者纤维化进展方式不尽相同，因此该研究所建立的LR模型不能直接用于其他慢性肝病患者。此外，还需要开发相应的诊断工具，对各种病因的慢性肝病患者的不同血液的参数模式进行检测。纵向研究也是必要的，这样才可以进一步验证当前发现的有效性和稳定性。该研究所建立的LR模型仅对东南亚的样本进行验证，在临床应用之前，有必要在更多不同人群中作进一步验证。
相关论文发表在Front.Med.-TranslationalMedicine：
ChaoSang,HongmeiYan,WahKheongChan,XiaopengZhu,TaoSun,XinxiaChang,MingfengXia,XiaoyangSun,XiqiHu,XinGao,WeiJia,HuaBian,TianluChen,GuoxiangXie.DiagnosisoffibrosisusingbloodmarkersandlogisticregressioninSoutheastAsianpatientswithnonalcoholicfattyliverdisease.Front.Med.-TranslationalMedicine.,8:.