瞬时弹性成像技术联合血清学标志物评估慢性乙型肝炎早期肝纤维化的应用研究

刘继青，包剑锋，黄斌

1.浙江中医药大学附属杭州西溪医院特检科，浙江杭州 310023；2.浙江医院超声介入诊疗中心，浙江杭州 310013

2016年全球乙型肝炎病毒感染的估计流行率为3.5%，约2.57亿人患有慢性乙型肝炎（chronic hepatitis B，CHB），其中高达40%的CHB患者可发展为失代偿性肝硬化和肝细胞癌[1-2]。美国肝病研究协会建议，早期肝纤维化（F<2）患者只需随访观察，而严重肝纤维化（F≥2）患者则需要接受抗病毒治疗[3-4]。因此，准确评估肝纤维化可使临床医生确定CHB患者是否需要临床抗病毒治疗。目前，肝活检仍是诊断肝纤维化的金标准，但活检导致的并发症限制其在临床中的应用[5]。瞬时弹性成像（transient elastography，TE）是评估肝纤维化的首选无创替代方法；而CHB患者存在的炎症导致TE评估肝纤维化的敏感度降低[6-7]。血清学生物标志物是一种有效的肝纤维化评估方法，但影响其结果的因素较多，单纯使用血清学指标难以准确评估CHB患者的肝纤维化程度[8-9]。本研究中，笔者拟构建TE技术和血清学生物标志物的预测模型并探讨其在临床中的应用价值。

1 资料与方法

1.1 一般资料

回顾性分析2020年1月至2022年11月浙江中医药大学附属杭州西溪医院收治的176例CHB患者的临床资料。纳入标准：①符合《慢性乙型肝炎防治指南（2015年更新版）》[10]中的CHB诊断标准；②临床资料完整；③进行肝穿刺活检并有可判读的病理检查结果；④CHB病程>6个月；⑤年龄>18岁；⑥进行TE及血清标志物检测。排除标准：①已进行抗病毒治疗者；②临床资料不完整；③合并其他肝病，如酒精性肝病、非酒精性脂肪性肝炎或自身免疫性肝病。将2020年1月至2021年12月收治的患者123例纳入训练组，2022年1月至11月收治的53例患者纳入测试组。训练组用于构建预测模型，测试组用于验证模型的可靠性。本研究获浙江中医药大学附属杭州西溪医院伦理委员会批准（伦理审批号：杭西医伦审2023研第016号），并免除知情同意。

1.2 TE检查及定量值获取

使用海斯凯尔的Fibrotouch机型同时完成TE测量并分别获取肝脏硬度（liver stiffness measurement，LSM）及脂肪衰减指数（fat attenuation index，FAI）。测量时患者仰卧位，右手放在头后，暴露肝右叶区的肋间隙。通常取剑突水平线、右腋中线及肋骨下缘所包围的区域为检测区域。探头垂直紧贴皮肤，于肋间隙选定测量位置，检查者采集图像并获得测量值，取10次成功测定值的中位数为最终测定值。

1.3 临床数据收集

收集患者的一般资料和实验室检查数据，包括性别、年龄、凝血功能指标（国际标准化比值和凝血酶时间）、白细胞、淋巴细胞、中性粒细胞、红细胞、血红蛋白、平均红细胞体积、血小板、白蛋白、谷丙转氨酶、谷草转氨酶、谷氨酰转肽酶、碱性磷酸酶、总胆红素和直接胆红素。

1.4 预测模型的构建

在训练组中对每个潜在的预测变量进行最小绝对收缩和选择算子（least absolute shrinkage and selection operator，LASSO）算法，筛选出CHB患者早期肝纤维化的独立预测因子，之后通过多因素Logistic回归构建预测模型并制作列线图，模型效能由测试组进行验证，校准曲线以确定模型预测早期肝纤维化的估计概率与实际肝纤维化概率之间的一致性，Hosmer-Lemeshow检验模型的拟合度，受试者操作特征曲线（receiver operating characteristic curve，ROC曲线）的曲线下面积（area under the curve，AUC）评判模型的诊断准确性，决策曲线分析（decision curve analysis，DCA）用于评估临床净效益。

1.5 统计学方法

采用SPSS 17.0和Python 3.5.6软件进行统计学分析。采用Kolmogorov-Smirnov检验对定量资料进行正态性检验，符合正态分布的计量资料以均数±标准差（±s）表示，比较采用独立样本t检验；计数资料以例数（百分率）[n（%）]表示，比较采用χ2检验。P<0.05为差异有统计学意义。

2 结果

2.1 两组患者的临床资料比较

两组患者的临床资料比较差异均无统计学意义（P>0.05），见表1。

表1 两组患者的临床资料比较

2.2 特征的筛选及模型的构建

对性别、年龄、TE特征及血清学生物标志物进行LASSO算法筛选后剩余8个临床特征，包括年龄、LSM、FAI、红细胞、白蛋白、谷丙转氨酶、谷草转氨酶和直接胆红素，见图1。对8个临床特征进行多因素Logistic回归后剩余LSM、FAI、红细胞和谷草转氨酶构建预测模型，见表2。

图1 LASSO模型的特征选择

表2 预测CHB患者早期肝纤维化的多因素Logistic回归分析

2.3 预测模型的验证

基于预测模型计算每例患者早期肝纤维化评分，之后使用ROC曲线进行性能评估，训练组和测试组的AUC分别为0.824和0.819，敏感度分别为82.1%和80.6%，特异性分别为71.8%和68.8%。校准曲线在训练组和测试组中显示出良好的校准性能，Hosmer-Lemeshow检验在训练组和测试组间差异无统计学意义（P>0.05），表明没有偏离拟合，见图2、图3。DCA曲线无论在训练组和测试组中均显示模型良好的预测效能，见图4。

图2 预测模型的ROC曲线

图3 预测模型的校准曲线性能

图4 模型性能可视化图

3 讨论

本研究构建了一个基于TE技术和常规血清学标志物的预测模型以准确分类CHB患者早期肝纤维化和严重肝纤维化。与单纯TE技术或血清学标志物相比，该模型极大提高早期肝纤维化的诊断准确性和预测性能，且易于处理，表明其在无创性肝纤维化评估领域的巨大潜力，可为进一步开发简单、易用和准确的肝纤维化评估工具提供理论基础。

本研究结果显示模型有较高的准确性和优良的敏感度，这得益于一种新的筛选特征方法。既往研究主要使用单变量检验选择重要特征，这种方法往往容易过度拟合，且难以复制[11-12]。为克服这些问题，本研究使用包括LASSO算法和多因素Logistic回归在内的集成算法去除冗余特征以防止多重共线性，避免过度拟合。此外，本次构建的模型允许患者通过一次抽血进行评估，而不需要额外的附加检查。这对于那些疾病发展高风险人群如晚期或重度肝纤维化患者的常规筛查尤其有吸引力。怀疑严重肝纤维化的患者过去需要进行肝穿刺病理学检查，现在仅需常规血清学检查和TE检查即可判断严重肝纤维化的概率，在成本和预后方面具有明显的优势。

众所周知，区分F0～1和F2～4更具挑战性，这是因为F≥2肝纤维化患者的肝纤维化异质性更严重，这通常会导致在临床诊疗中识别显著性肝纤维化的准确性有所降低[13-14]。本研究构建的模型显示出对早期和中晚期肝纤维化良好的分类性能，尤其在训练组和测试组中均显示较高的敏感度。表明该模型可能更适用于评估早期肝纤维化，并可在常规临床诊疗环境中应用。Zeng等[15]的研究结果显示出更准确的肝纤维化分级，但其使用了诸如B2巨球蛋白、结合珠蛋白和载脂蛋白A1等指标，这些标志物在大多数医院中并不常用，因此并不具有临床普及性。本研究使用常规血清学标志物更具有临床普适性。

本研究还有一定局限性。首先，本研究是一项回顾性研究，未来应侧重于前瞻性研究的预测和分类模型的开发，这将允许使用纵向演化信息来评估和修改预测模型。其次，本研究没有对该模型进行细菌或其他病毒感染的评估，因此并不清楚模型是否适用于细菌或病毒感染病例。最后，需要通过更好的工程设计进一步优化模型构建过程，并更全面地整合其他临床数据进一步开发，以提高模型的分类性能，实现更准确的肝纤维化分期。

综上所述，本研究构建的预测模型可为识别CHB患者早期肝纤维化提供一种潜在的新方法，有助于临床监测和治疗。