使用无分布覆盖范围的梯度提升对非酒精性脂肪肝进行适形风险预测

arXiv:2606.09860v1 公告类型：新 摘要：非酒精性脂肪性肝病 (NAFLD) 影响全球约 25% 的成年人，造成严重的肝脏和心血管风险。然而，人群层面的筛查工具仍然不足。我们提出了 Method，一种用于 NAFLD 风险预测的机器学习框架，将梯度增强决策树与保形预测相结合，以产生对个人风险估计的校准、无分布覆盖保证。它集成了基于互信息的稳定性选择程序，通过引导重采样识别紧凑的、临床可解释的特征子集，构建边缘覆盖范围可证明超过用户指定的置信水平的预测集。我们使用涵盖人口统计、代谢生物标志物和生活方式因素的 78 个候选特征，对来自中国广州的多中心队列（主要 n=2,187；外部验证 n=412）进行了 Method 评估。该方法内部 AUROC 为 0.912，外部 AUROC 为 0.891，优于深度神经网络、TabNet、支持向量机和逻辑回归。共形预测集在 90% 的名义水平上实现了 91.3% 的经验覆盖率。根据这些分数得出的三级风险分层将人群分为不同的组，高风险亚组的 12 个月进展率是低风险组的 4.7 倍。选定的特征——尤其是腰围、ALT、GGT、甘油三酯、空腹血糖和体重指数——与既定的代谢风险因素相一致，提供了生物学上的合理性。