魏淑芳，陈晓晓，刘继青，黄艳

    肝脏超声弹性成像技术预测2型糖尿病的应用研究

    魏淑芳，陈晓晓，刘继青，黄艳

    杭州市西溪医院特检科，浙江杭州 310023

    探讨肝脏超声弹性成像技术使用机器学习构建模型用于识别2型糖尿病(type 2 diabetes mellitus，T2DM)患者的应用价值。回顾性分析2017年4月至2021年8月于杭州西溪医院行超声弹性成像的161例疑似T2DM患者的临床资料，将纳入研究对象按7∶3比例随机分为训练组(=111)和验证组(=50)。使用多因素Logistic回归在训练组筛选独立预测因子，基于这些独立预测因子使用机器学习方法构建预测模型，同时使用验证组数据和受试者操作特征曲线评估模型的准确性和可靠性。使用随机森林算法构建的预测模型在训练组和验证组中识别T2DM患者的诊断性能分别为90.4%和89.8%，敏感度为81.1%和84.1%，特异性为89.2%和84.9%。在模型截断值为0.464时，其具有良好的临床分类效能。超声弹性成像技术使用随机森林构建的预测模型可识别T2DM。

    2型糖尿病；弹性成像；机器学习；脂肪衰减指数；肝脏硬度值

    2型糖尿病(type 2 diabetes mellitus，T2DM)是一种代谢异常疾病，预计至2030年，全球T2DM患者将增至5.52亿[1]。由于缺乏对该疾病的了解，导致近1/3的T2DM患者并不知晓自身患病情况[2]。长期高血糖严重损害身体健康，其中肝脂肪变性比例高达70%[3]。因此，检测肝脏组织学变化对筛查T2DM高风险人群从而采取预防措施抑制疾病进展和提高生活质量具有重要意义。肝脏瞬时弹性成像技术主要基于超声信号在肝组织中传播受肝细胞中脂滴的影响而出现显著衰减的原理来评估肝脂肪变性，其中脂肪衰减指数(fat attenuation index，FAI)和肝脏硬度值(liver stiffness measurement，LSM)等参数可用于定量表达肝脂肪变性程度[4-5]。但糖尿病是一种复杂的慢性疾病，单纯基于肝脂肪变性或许不能早期识别T2DM高危人群。机器学习可在临床实践中通过提供高精度和可靠的模型改进决策过程。多项研究采用机器学习技术开发筛查、诊断和预测工具，以检测T2DM发生和发病的可能性[6-7]。本研究基于机器学习使用瞬时弹性成像技术构建预测模型用于识别T2DM患者，旨在探讨其识别高风险T2DM人群的临床应用价值及可行性。

    1 资料与方法

    1.1 一般资料

    回顾性分析2017年4月至2021年8月杭州市西溪医院161例疑似T2DM患者的临床资料 ......