GraftIQ：融合临床洞察的混合多类神经网络，用于肝移植接受者的多种结果预测

肝移植受体 (LTR) 面临移植损伤的风险，这会导致肝硬化并降低生存率。肝活检是诊断的金标准，但具有侵入性且风险较高。我们开发了一种混合多类神经网络 (NN) 模型“GraftIQ”，该模型整合了临床医生的专业知识，用于非侵入性移植病理诊断。我们使用活检前 30 天的人口统计学、临床和实验室数据，将 1992 年至 2020 年 LTR 的活检样本分为六类。数据集（5217 个活检样本）按 70/30 的比例用于训练和测试，并在梅奥诊所、​​汉诺威医学院和新加坡国立大学医疗体系 (NUHS) 进行了外部验证。贝叶斯融合用于将临床医生得出的概率与神经网络预测相结合，从而提高性能。本研究显示，GraftIQ（MulticlassNN+clinical insight）的 AUC 达到 0.902（95% CI: 0.884–0.919），高于单独使用 NN 的 0.885。内部和外部验证表明，其 AUC 比传统机器学习模型高出 10–16%。GraftIQ 在识别移植病因方面表现出很高的准确性，并为 LTR 提供了宝贵的临床决策支持工具。