无创乙肝肝硬化诊断模型的构建方法及诊断列线图的应用与流程

1.本发明属于乙肝诊断技术领域，具体涉及一种无创诊断乙肝相关肝硬化的方法及应用，即无创乙肝肝硬化诊断模型的构建方法及诊断列线图的应用。


背景技术：

2.我国是乙肝大国，长期的慢性乙肝可发展为肝纤维化进而逐渐演变为肝硬化、肝癌。乙肝肝硬化是肝癌的高危因素，我国的肝癌发病率及死亡率居世界首位。乙肝肝硬化是一种慢性肝脏病变，其病理特点是进行性肝纤维化和肝小叶结构破坏。乙肝肝硬化患者有较高风险发生严重并发症，包括腹水、食管静脉曲张、肝功能衰竭和原发性肝癌。对于原发性肝癌患者，肝硬化是肝切除术后预后不良的主要原因。是否肝硬化决定了肝切除的安全范围及未来剩余肝脏(flr)的大小，而肝切除术的范围flr的大小被认为是肝切除术后肝衰竭的决定因素。早期诊断肝硬化并及时干预可预防肝脏进一步损害，降低原发性肝癌的发病率和死亡率，并提高肝移植的成功率。因此，在原发性肝癌患者的诊治过程中，准确诊断肝硬化、评估肝硬化程度对选择治疗方案及评价安全性至关重要。
3.肝穿刺活检进行病理诊断是诊断乙肝相关肝硬化的金标准，但存在以下缺点：(1)肝穿刺活检为有创操作，可能出现腹腔出血等并发症；(2)肝穿刺仅能取得少量条状肝组织，取样部位与穿刺的方向及深度密切相关，常常无法反映肝脏整体的硬化情况；(3)患者对肝穿刺的接受度较低，且不适合进行多次穿刺动态监测；(4)凝血功能障碍患者无法进行肝穿刺活检，而乙肝相关肝硬化患者往往有不同程度的凝血功能障碍。
4.近年来，由于肝穿刺活检存在缺陷，有学者提出通过测量肝脏硬度、检查血清生物标志物水平等无创方法诊断乙肝相关肝硬化。目前，文献报道的无创诊断乙肝相关肝硬化方法主要分为两大类。第一类方法为基于血清学指标的预测模型，包括纤维化-4指数(fib-4)、谷草转氨酶-血小板比率指数(apri)、forns指数、king’s评分等，但这些模型的预测精度较低，未能被临床广泛采用。第二类方法是无创弹性成像技术，如二维剪切波弹性成像(two-dimensional shear-wave elastography,2d-swe)，通过物理的方法评估肝脏硬度(ls)，但其结果易受炎症、充血、水肿等因素影响，无法得到精确的结果。因此，临床迫切需要一种基于更大样本、更为准确的无创肝硬化诊断方法。


技术实现要素：

5.针对现有技术中的不足，本发明旨在建立一种无创诊断乙肝相关肝硬化的方法，协助临床医生诊断肝硬化与评估肝纤维化的严重程度，尤其是对于合并凝血功能障碍无法进行肝穿刺的患者。
6.为达到上述目的，本发明的解决方案是：
7.第一方面，本发明提供了一种乙肝肝硬化诊断模型的构建方法，采用lasso算法从训练队列的临床资料(如血液学和影像学检查)中提取预测因子，通过倍数交叉验证法选取系数非零的参数进行二元logistic回归，得到乙肝肝硬化诊断模型。
8.其中，乙肝肝硬化诊断模型＝0.231
×
iii型前胶原(piii-np) 0.011
×
iv型胶原(iv-c) 0.003
×
透明质酸(ha)-0.013
×
血小板(plt) 0.124
×
肝脏硬度(ls)-2.387。
9.作为本发明的一种优选实施例，血液学的检查指标包括piii-np、iv-c、ha和plt；影像学检查为二维剪切波弹性成像(2d-swe)的肝脏硬度测量值(ls)结果。
10.第二方面，本发明提供了一种乙肝肝硬化诊断模型，其由上述的构建方法得到。
11.第三方面，本发明将较为复杂的乙肝肝硬化诊断模型制作成临床更为方便使用的乙肝肝硬化诊断列线图。
12.第四方面，本发明提供了乙肝肝硬化诊断列线图在制备评估诊断肝硬化中的应用。
13.作为本发明的一种优选实施例，将5个临床常用指标piii-np、iv-c、ha、plt和ls在乙肝肝硬化诊断列线图中找到相应得分，并计算总分，总分对应的即为该病人患有肝硬化的概率。
14.第五方面，本发明提供了乙肝肝硬化诊断列线图在制备评估肝纤维化中的应用。
15.第六方面，本发明提供了乙肝肝硬化诊断列线图在制备预防及治疗肝硬化中的应用。
16.由于采用上述方案，本发明的有益效果是：
17.第一、本发明创新性地结合了血液学检查指标和2d-swe，均为非侵入性的无创检查，易于推广并可连读多次动态监测慢性乙肝病人肝硬化的发展情况，也可用于乙肝相关肝癌病人术前肝脏硬化的评估。该模型采用了大样本独立验证队列进行外部验证，结果可靠，更具说服力。
18.第二、本发明纳入了大样本量(1115例)的乙肝患者用以评估和验证肝硬化诊断模型，尽可能降低了肝纤维化分期与患者个体差异对诊断模型的影响。
19.第三、本发明所使用的病理诊断样本来自肝切除术，较肝穿刺活检能获得更多的肝脏组织样本，能更客观地评估患者的肝硬化情况。
附图说明
20.图1为本发明的实施例中运用lasso-二元logistic回归模型识别临床特征通过10倍交叉验证的lasso模型的变异系数统计图(纵坐标binomial deviance为二项式偏差)。
21.图2为本发明的实施例中临床特征系数统计图(即临床指标的lasso系数图，共26个临床指标进行lasso回归，通过二元logistic回归确定了5个关键变量(纵坐标coefficients为系数))。
22.图3为本发明的实施例中乙肝肝硬化诊断列线图，将患者5个无创检查的数值与最上方线条对应的得分相加后得到一个总分，总分下方对应的即为该患者患有肝硬化的概率。
23.图4为本发明的实施例中建模组与验证组校准曲线分析图。
24.图5为本发明的实施例中建模组和验证组模型的受试者工作特征曲线(roc)图。
具体实施方式
25.本发明提供了一种无创乙肝肝硬化诊断模型的构建方法及诊断列线图的应用。本
发明的乙肝肝硬化诊断模型的构建方法是从血液学检查和影像学检查结果中提取了26个指标作为潜在因子，通过lasso算法筛选变量，最终选取5个系数非零的参数进行二元logistic回归，以手术病理诊断为金标准，建立乙肝肝硬化诊断模型(hlc)，并绘制乙肝肝硬化诊断列线图，用于计算临床病例患肝硬化的概率，协助临床诊断和治疗决策。
26.本发明的无创乙肝肝硬化诊断模型的构建方法具有以下优点：
27.(1)解决了共线性问题
28.传统的诊断模型采用线性logistic回归的方法，将临床结局作为因变量，临床信息作为自变量，构建诊断模型。但对于临床检验指标而言，某些指标是具有相关性的，比如总胆红素和直接胆红素，这些指标是具有共线性的。传统的单因素筛选-线性logistic回归模型构建无法有效解决指标共线性的问题，而本发明首次采用了lasso-logistic模型构建法建立乙肝肝硬化诊断模型，可以有效排除共线性的指标，使得模型的检验效能更高。
29.(2)变量筛选方法更优化
30.临床化验指标众多。实际应用中需要明确哪些指标发挥重要作用，而哪些指标可以舍弃，从而最大程度简化模型。传统的线性logistic回归采用单因素检验变量方法，以p值作为参考标准，过于武断的排除某些指标。事实上，比如囿于样本量的原因，乙肝病毒可能在单因素检验中无差异，但根据临床经验，其必然与肝硬化相关。所以线性logistic回归的变量筛选会丧失某些重要信息。而利用lasso筛选变量可以产生稀疏估计，确保放入模型中的每个变量都会对结果产生影响，从而提高模型的可靠程度。
31.(3)诊断结果可视化
32.本发明和现有技术相比，建立了乙肝肝硬化诊断列线图，根据模型中各个影响因素对结果变量的贡献程度(回归系数的大小)，给每个影响因素的取值水平进行赋分，然后再将各个评分相加得到总评分，最后通过总评分与结果事件发生概率之间的函数转换关系，从而计算出该个体结果事件的预测值。乙肝肝硬化诊断列线图将复杂的回归方程，转变为了可视化的图形，使诊断模型的结果更具有可读性，方便对患者进行评估，更贴近临床应用。
33.《乙肝肝硬化诊断模型的构建方法》
34.本发明的乙肝肝硬化诊断模型的构建方法，采用lasso算法从训练队列的临床资料(如血液学和影像学检查)中提取预测因子，通过倍数交叉验证法选取系数非零的参数进行二元logistic回归，得到乙肝肝硬化诊断模型。
35.其中，乙肝肝硬化诊断模型＝0.231
×
iii型前胶原(piii-np) 0.011
×
iv型胶原(iv-c) 0.003
×
透明质酸(ha)-0.013
×
血小板(plt) 0.124
×
肝脏硬度(ls)-2.387。
36.血液学检查的指标包括piii-np、iv-c、ha和plt；影像学检查为二维剪切波弹性成像(2d-swe)的肝脏硬度测量值结果。
37.作为一种评估风险和收益的定量工具，该模型可以为医生和患者的决策提供更客观、准确的信息。乙肝肝硬化诊断模型是基于临床特征、影像学检查结果和实验室检查结果构建的临床预测模型。传统的回归分析构建预测模型只适用于自变量较少的研究，本模型共纳入26项临床特征，变量选择非常困难。而lasso算法可以限制回归系数，从而解决多变量筛选的问题。本发明通过lasso算法筛选出了piii-np、iv-c、ha、plt和ls这5项临床特征，并进一步通过logistic回归分析构建了乙肝肝硬化诊断模型。
38.《乙肝肝硬化诊断模型》
39.本发明的乙肝肝硬化诊断模型由上述的构建方法得到。
40.《乙肝肝硬化诊断列线图》
41.本发明将乙肝肝硬化诊断模型制作成临床更为方便使用的乙肝肝硬化诊断列线图。
42.《乙肝肝硬化诊断列线图的应用》
43.本发明的乙肝肝硬化诊断列线图在制备评估诊断肝硬化中的应用。
44.其中，将5个临床常用指标piii-np、iv-c、ha、plt和ls在乙肝肝硬化诊断列线图中找到相应得分，并计算总分，总分对应的即为该病人患有肝硬化的概率。
45.本发明的乙肝肝硬化诊断列线图可以在制备评估肝纤维化中得以应用。
46.本发明的乙肝肝硬化诊断列线图还可以在制备预防及治疗肝硬化中得以应用。
47.以下结合实施例对本发明作进一步的说明。
48.实施例：
49.本实施例收集了2015年7月至2017年4月期间在复旦大学附属中山医院行肝切除术的754例伴有慢性乙型病毒性肝炎(chronic hepatitis b,chb)的患者临床资料，采用这些病例作为训练队列，建立无创诊断模型。将2017年5月至2017年11月期间在复旦大学附属中山医院行肝切除术的421例乙肝病例前瞻性纳入验证队列。421例患者均在肝切除术前进行血液学检查和2d-swe检查，并采用本实施例构建的模型进行诊断肝硬化，将诊断模型的结果与术后病理诊断肝硬化结果进行比较，从而评估诊断的准确性。
50.本实施例的构建方法是从训练队列的人口统计学和临床资料中提取26个潜在参数，采用正则化lasso算法，使得一些参数的系数变小，甚至使一些绝对值较小的系数直接变为0，从而在大量临床特征里面找出主要的特征，增强模型的泛化能力。根据lasso算法的筛选结果，本实施例共选取5个系数非零的参数进行二元logistic回归(图1和图2)，最终确定了以piii-np、iv-c、ha、plt和ls作为预测因子的乙肝相关肝硬化的诊断模型。本实施例的乙肝肝硬化诊断模型(hlc index)如下：hlc＝0.231
×
piii-np 0.011
×
iv-c 0.003
×
ha-0.013
×
plt 0.124
×
ls-2.387。同时，使用训练队列的临床资料和实验室检查数据，计算已报道的无创血清学肝硬化评分模型，包括apri、fib-4、king’s评分和forns指数。其中，apri＝ast(单位/升(u/l))/ast正常参考值上限(设定为40u/l)
×
100/plt(
×
109/l)。forns指数＝7.811-3.131
×
ln(plt计数(
×
109/l)) 0.781
×
ln(γ-gt(u/l)) 3.467
×
ln(年龄(岁))-0.014
×
ln(胆固醇(mg/dl))；king’s评分＝
×
ast(u/l)
×
inr/plt(
×
109/l)；fib-4＝年龄(岁)
×
ast(u/l/[alt(u/l)
1/2
×
plt(
×
109/l)。比较本实施例构建的模型与其它模型的优劣。
[0051]
其中，图1表示了λ的对数与均方差以及模型中变量数量之间的关系。图1中的两条垂直虚线表示最小均方误差的对数λ(左侧虚线)和最小距离的标准误差的对数λ(右侧虚线)。可以选择的λ值有两个，最小均方误差的对数λ是最佳值，最小距离的标准误差的对数λ则是一倍均方误差内的更简洁的模型。本实施例选择最小距离的标准误差的对数λ值。
[0052]
图2中随着λ的减少，压缩参数减少，系数的绝对值增加。
[0053]
本实施例在乙肝肝硬化诊断模型的基础上建立了乙肝肝硬化诊断列线图(图3)，为临床医生诊断肝硬化提供了一种量化、可视化的工具。根据患者的人口统计学和临床特
征给每个预测因子分配一个评分，并计算肝硬化可能性的总评分。
[0054]
其中，图3中将患者5个无创检查的数值与最上方线条对应的得分相加后得到一个总分，总分下方对应的即为该患者患有肝硬化的概率。图3病例的肝硬化概率为0.0441，说明该病例患有肝硬化的概率极低。
[0055]
对于需要诊断肝硬化的乙肝患者，或需要术前评估肝硬化的乙肝相关肝癌患者，抽取静脉血进行piii-np、iv-c、ha和plt检查，并通过2d-swe测定ls。将所得检测数值对应在图4的诊断列线图中，并与诊断列线图中第一行的分数对应，分别得到5项指标的分数。计算5项分数的总和，即可得到总分。将该患者的总分对应于最后一行，所得数值即为本实施例预测该患者罹患肝硬化的概率，训练队列中肝硬化概率校准曲线显示预测与观察结果吻合良好(图4)，故本实施例可以准确诊断乙肝患者肝硬化，为预防及治疗决策提供指导。
[0056]
其中，图4中横坐标为预测为肝硬化的概率，纵坐标表示实际上为肝硬化的概率。如果预测的概率和真实事件的概率匹配，校准曲线为斜率为1的直线。
[0057]
采用受试者工作特征曲线(roc)评估不同肝硬化诊断方法的准确性(图5)。与文献报道的肝硬化无创诊断模型(2d-swe、apri、fib-4、king’s评分和forns指数)相比，本实施例的诊断模型具有最佳的鉴别能力和诊断性能，其auc最高(建模队列auc＝0.866；验证队列auc＝0.852)。
[0058]
其中，图5中曲线下面积越大，此模型诊断肝硬化的准确性越高。由图5可见，相较于文献报道的其它无创肝硬化诊断模型，本实施例的诊断模型(弯曲的实线)具有最大的曲线下面积。
[0059]
上述对实施例的描述是为了便于该技术领域的普通技术人员能理解和使用本发明。熟悉本领域技术人员显然可以容易的对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中，而不必经过创造性的劳动。因此，本发明不限于上述实施例。本领域技术人员根据本发明的原理，不脱离本发明的范畴所做出的改进和修改都应该在本发明的保护范围之内。