GraftIQ : Réseau neuronal hybride multiclasses intégrant des connaissances cliniques pour la prédiction multivariée chez les receveurs de greffe hépatique

Les bénéficiaires de transplantation hépatique (BTH) courent le risque de lésions du greffon, conduisant à la cirrhose et à une réduction de la survie. La biopsie hépatique, considérée comme l'étalon-or diagnostique, est invasive et comporte des risques. Nous avons développé un modèle hybride de réseau neuronal multiclasses (NN), appelé « GraftIQ », intégrant l'expertise des cliniciens pour le diagnostic non invasif de la pathologie du greffon. Les biopsies des BTH (1992-2020) ont été classées en six catégories en utilisant des données démographiques, cliniques et laboratoriales recueillies 30 jours avant la biopsie. Le jeu de données (5217 biopsies) a été divisé en 70/30 pour l'entraînement/test, avec une validation externe au Mayo Clinic, à l'École médicale de Hanovre et au NUHS Singapour. Une fusion bayésienne a été utilisée pour combiner les probabilités dérivées des cliniciens avec les prédictions du NN, améliorant ainsi les performances. Nous montrons ici que GraftIQ (MulticlassNN + expertise clinique) a atteint un AUC de 0,902 (IC 95% : 0,884–0,919), contre 0,885 avec le NN seul. Les validations internes et externes ont démontré un AUC supérieur de 10 à 16 % par rapport aux modèles ML conventionnels. GraftIQ montre une haute précision dans l'identification des étiologies du greffon et offre un outil précieux d'aide à la décision clinique pour les BTH.