基于心电图的肝病诊断：经外部验证且可解释的机器学习方法
摘要
背景：肝病是全球健康的重大挑战，常需昂贵且侵入性的诊断手段。心电图（ECG）作为一种广泛可用且非侵入性的工具，可通过捕捉心血管-肝脏相互作用，实现肝病检测。方法：我们在ECG特征上训练基于树的机器学习模型，以检测肝病，分别使用两个大型数据集：MIMIC-IV-ECG（467,729名患者，2008-2019年）和ECG-View II（775,535名患者，1994-2013年）。该任务被建模为二分类问题，通过受试者工作特征曲线下面积（AUROC）进行性能评估。为提高可解释性，我们应用可解释性方法以识别关键预测特征。发现：模型表现出强大的预测性能且具有良好的可推广性。例如，酒精性肝病（K70）的AUROC分别为0.8025（95%置信区间（CI），0.8020-0.8035）和0.7644（95% CI，0.7641-0.7649）；肝衰竭（K72）的得分分别为0.7404（95% CI，0.7389-0.7415）和0.7498（95% CI，0.7494-0.7509）。可解释性分析持续识别年龄和延长的QTc间期（纠正QT，反映心室去极化）作为关键预测因子。与自主调节和电导异常相关的特征也同样突出，支持了已知的心血管-肝脏联系，并表明QTc可能是潜在的生物标志物。解释：ECG基的机器学习方法为肝病检测提供了有前景、可解释的途径，尤其适用于资源受限的地区。通过揭示临床相关的生物标志物，该方法支持非侵入性诊断、早期检测和风险分层，以便进行针对性的临床评估。
引用
@article{arxiv.2412.03717,
title = {Electrocardiogram-based diagnosis of liver diseases: an externally validated and explainable machine learning approach},
author = {Juan Miguel Lopez Alcaraz and Wilhelm Haverkamp and Nils Strodthoff},
journal= {arXiv preprint arXiv:2412.03717},
year = {2025}
}
备注
Accepted version by EClinicalMedicine, The Lancet: 13 pages, 2 figures, code under https://github.com/AI4HealthUOL/CardioDiag