近日，上海市影像医学研究所颜志平、罗剑钧教授团队领衔的一项多中心研究在肝脏病学领域权威期刊《Hepatology International》在线发表（影响因子: 5.5，Q1区）。该研究成功构建并验证了一种基于机器学习（Machine Learning, ML）的无创预测模型，可用于在接受肝静脉压力梯度（Hepatic Venous Pressure Gradient, HVPG）测量前，有效识别中重度肝内静脉-静脉分流（Moderate-to-Severe Intrahepatic Venovenous Shunts, MS-IHVS）。这一成果为门脉高压患者的精准评估和个性化诊疗路径提供了重要的新工具。
研究背景与临床挑战
HVPG是评估窦性门脉高压的金标准，对于疾病诊断、治疗决策和预后判断至关重要。然而，患者若存在MS-IHVS，会导致HVPG测量值被低估，无法真实反映门静脉压力。传统的识别方法多依赖有创的血管造影，这不仅增加了患者的创伤和风险，也限制了其在临床常规评估中的广泛应用。因此，开发一种可靠的无创识别工具，已成为该领域亟待解决的关键临床问题。
研究方法与核心发现
在该项研究中，团队共纳入来自多个队列的891例接受HVPG测量的患者数据。通过严谨的特征筛选，最终确定四个核心预测变量用于模型构建：
1. 门静脉血栓
2. 自发性门体分流
3. 凝血酶原时间
4. 内镜治疗次数
研究团队比较了九种单一机器学习模型及十一种堆叠集成模型，结果显示：结合随机森林（Random Forest, RF）与梯度提升（Gradient Boosting, GB）的堆叠集成模型表现最优。该模型在内部验证中AUC（曲线下面积）达到 0.907（95% CI 0.858-0.945），并在外部验证队列中保持了出色的性能（AUC分别为0.781和0.889）。
基于该模型进行风险分层后发现：高危组患者的楔入肝静脉压与门静脉压之间的一致性及相关性显著降低（组内相关系数仅为0.314和0.143），而低危组则保持良好的一致性。这表明，模型能够有效区分出不适合依赖HVPG单一定义的患者群体。
临床意义与价值：该研究成果的临床意义主要体现在以下两方面：
l 避免不必要的侵入性检查：对于模型判断为低风险的患者，可以更有信心地使用HVPG进行压力评估；而对于高风险患者，临床医生应意识到HVPG可能存在的局限性，考虑直接进行门静脉压力测量或调整诊疗策略。
l 实现个体化精准医疗：该无创模型仅基于常规临床指标和影像学特征，易于在基层及各级医院推广，有助于术前更全面地评估门脉高压患者的血流动力学状态。
研究团队
上海市影像医学研究所为该研究的主要完成单位之一。论文的共同第一作者为陈濡丰、马力，通讯作者为罗剑钧、颜志平。研究得到了国家自然科学基金（82302323）和国家临床重点专科建设项目（YWP2024-001）的资助。
【原文信息】
Chen R, Ma L, Liu Y, et al. A noninvasive model for predicting intrahepatic venovenous shunts before HVPG measurement: a multiple cohort study. Hepatol Int. 2026 Mar 5. doi: 10.1007/s12072-026-11066-8.
涵盖四个独立机器学习模型及多种堆叠集成组合的综合排名。XGBoost，极端梯度提升;KNN，k-最近邻
采用SHAP方法进行全局解释。（a） 基于均值 |SHAP|价值观;（b） SHAP蜂群四个重要变量的图。每个点代表一个样本;颜色表示特征值（红色=高，蓝色=低），x轴表示对应的SHAP值。（c） MS-NHVS的SHAP独立性图：y轴显示SHAP值，x轴显示原始特征值。正的SHAP值（>0）表示MS-IHV的模型预测概率较高，负值则相反
