GraftIQ：结合临床见解的混合多分类神经网络在肝移植受者多结局预测中的应用

肝移植受者（LTRs）存在移植物损伤的风险，这可能导致肝硬化和生存率下降。肝脏活检虽然是诊断的金标准，但具有侵入性和风险。我们开发了一种混合多分类神经网络（NN）模型“GraftIQ”，该模型整合了临床医生的专业知识，用于无创的移植物病理诊断。通过对1992年至2020年期间肝移植受者的活检样本进行分类，结合活检前30天的人口统计学、临床和实验室数据，将这些样本分为六类。数据集包含5217个活检样本，以70/30的比例分为训练集和测试集，并在梅奥诊所、汉诺威医学院和新加坡国立大学医院进行了外部验证。贝叶斯融合技术被用来结合临床医生得出的概率与神经网络的预测结果，从而提高了模型性能。结果显示，“GraftIQ”（多分类神经网络+临床见解）的AUC值达到0.902（95%置信区间：0.884–0.919），而单独使用神经网络时为0.885。内部和外部验证表明，其AUC值比传统机器学习模型高出10%至16%。“GraftIQ”在识别移植物病因方面表现出高准确性，并为肝移植受者提供了一个有价值的临床决策支持工具。