基于指数机制的二次近似：为隐私保障的机器学习模型微调
机器学习
2026-05-21 v1 人工智能
定量方法
摘要
代谢性功能性脂肪性肝病（MASLD）的肝纤维化是肝相关合并发症的主要决定因素。FIB-4作为一线非侵入性检测方法广泛使用，但其固定公式可能未充分利用年龄、谷丙转移酶（AST）、谷丙氨酸（ALT）和血小板计数等包含的诊断信息。我们评估了机器学习增强的非侵入性检测（MLE-NIT）是否可以在保留FIB-4变量空间的同时提高肝纤维化的检测准确性。我们使用来自中国、马来西亚和印度的三个组织确诊MASLD队列（共784例）。中国队列分为486例训练和54例内部验证/调参患者；最终在马来西亚和印度的外部队列上报告性能。模型使用五个变量：年龄、FIB-4、AST、血小板计数和ALT。我们将FIB-4与浅层-深层神经网络（s-DNN）、TabPFN和gpt-4o-2024-08-06进行比较。FIB-4在马来西亚和印度的外部ROC-AUC分别为0.75和0.60。TabPFN分别达到0.69和0.66，微调的GPT-4o达到0.75和0.63，s-DNN分别达到0.77和0.67。s-DNN仅包含354个可训练参数，远低于TabPFN的7,244,554个参数，但提供了更平衡的外部运行轮廓。校准结果显示s-DNN的Brier分数分别为0.18和0.22，置换重要性分析确认AST和FIB-4为主导变量。紧凑的非线性MLE-NIT可在不增加临床数据需求的前提下，提升FIB-4基础的纤维化评估水平。
引用
@article{arxiv.2605.20523,
title = {Machine-Learning-Enhanced Non-Invasive Testing for MASLD Fibrosis: Shallow-Deep Neural Networks Versus FIB-4, Tabular Foundation Models, and Large Language Models},
author = {Athanasios Angelakis and Gabriele De Vito and Eleni-Myrto Trifylli and Filomena Ferrucci},
journal= {arXiv preprint arXiv:2605.20523},
year = {2026}
}
备注
26 pages, 4 figures, 3 tables. Preprint