Aplicação do aprendizado de máquina e aprendizagem profunda na doença hepática esteatótica associada à disfunção metabólica: revisão sistemática e meta-análise
GastroenterologiaO que aconteceu
A doença hepática esteatótica associada à disfunção metabólica (DMM) pode evoluir para esteato-hepatite associada à disfunção metabólica (DMM) e fibrose hepática, contribuindo para uma maior carga global de saúde. Ferramentas diagnósticas não invasivas desenvolvidas utilizando aprendizado de máquina (ML) e aprendizagem profunda (DL), dois algoritmos representativos de inteligência artificial, estão sendo cada vez mais explorados para MASH e sua avaliação de fibrose relacionada. O objetivo deste estudo foi comparar o desempenho diagnóstico de diferentes modelos de LM e LD e identificar os modelos de melhor desempenho para o diagnóstico de MASH e fibrose hepática associada. Uma revisão sistemática e metanálise foram realizadas em PubMed, Web of Science, Embase e Cochrane Library desde o início até 18 de maio de 2025. Foram calculados os valores de área agrupada sob a curva característica do operador receptor (AUROC) com intervalo de confiança de 95 % (IC). Precisão, especificidade, sensibilidade, valores preditivos positivos e valores preditivos negativos também foram registrados.
O que encontraram
Dos 4.314 estudos inicialmente identificados, 106 atenderam aos critérios de inclusão, com 35 estudos (ML: n = 28; DL: n = 7) fornecendo dados para análise. A Regressão Logística e a Rede Neural são os algoritmos mais comumente aplicados em ML e DL, respectivamente. Os AUROCs agrupados para o diagnóstico de MASH foram 0,833 (IC 95%: 0,806-0,860) para modelos ML e 0,841 (IC 95%: 0,782-0,900) para modelos DL. A Light Gradient Boosting Machine (LightGBM) e ResNet50 foram os modelos de melhor desempenho para o diagnóstico de MASH dentro de algoritmos ML e DL, respectivamente, alcançando AUROCs correspondentes de 0,920 (IC 95%: 0,916-0,924) e 0,960 (IC 95%: 0,951-0,969). Para o diagnóstico de fibrose, os modelos ML tiveram um AUROC agrupado de 0,826 (IC 95%: 0,792-0,860), com aumento categórico (CatBoost) atingindo o maior AUROC de 0,960 (IC 95%: 0,950-0,970). Os modelos de LD apresentaram AUROC agrupado de 0,875 (IC 95%: 0,816-0,934) para diagnóstico de fibrose.
Por que isso importa
Tanto os modelos ML quanto DL demonstraram forte desempenho diagnóstico para MASH e fibrose hepática, com DL alcançando AUROCs marginalmente mais elevados. As abordagens orientadas por IA mostram-se promissoras na gestão do MASLD.
Tradução automática do resumo original, publicado em Journal of advanced research sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.
O estudo original
Application of machine learning and deep learning in metabolic dysfunction-associated steatotic liver disease: a systematic review and meta-analysis
Huan Zhang, Xiangyu Wu, Wenjing Ni, Jiali Wu, Sisi Zhou, Leyao Jia, Mingyang Jin, Sitian Zhao, Zhenyao Jiang, Chao Wu et al.
Descritores MeSH
- Machine Learning
- Deep Learning
- Fatty Liver
- Liver Cirrhosis
- Non-alcoholic Fatty Liver Disease
- Neural Networks, Computer
- Algorithms
- ROC Curve
- Humans