这次研究一共纳入了106篇相关研究，其中有35篇（包含28篇ML相关、7篇DL相关）能够提供可分析的数据，覆盖的研究对象有29130例。ML方法里，最常用的算法是Logistic回归（LR）；DL方法里，最常用的是神经网络（NN）（图1、图2）。
图2. 报告指南的106项符合资格的研究对预测建模研究系统评价（CHARMS）关键评估与数据提取C检查清单的依从性总结
常用的预测因素包括年龄、BMI、转氨酶、糖化血红蛋白、2型糖尿病（T2DM）这些（表1、表2）。
表1. 具备机器学习模型分析所需数据的28项合格研究特征（上下滑动查看全图）
表2. 具备深度学习模型分析所需数据的7项合格研究特征（上下滑动查看全图）
一共纳入了14项研究，涉及9308例研究对象。ML的合并AUROC是0.833（95%CI: 0.806-0.860），DL的合并AUROC是0.841（95%CI: 0.782-0.900）。
其中ML里面，LightGBM模型表现最好，AUROC达到0.920；DL里面，ResNet50模型最优，AUROC有0.960（图3A、图3B）。
图3. 用于诊断MASH的AUROC曲线下面积森林图
纳入了24项研究，覆盖20985例研究对象。ML合并AUROC为0.826（95%CI: 0.792-0.860），DL合并AUROC是0.875（95%CI: 0.816-0.934）。
ML中CatBoost模型表现最佳，AUROC 0.960；DL中则是CNN模型最优，AUROC 0.917（图4A、图4B）。
显著纤维化（≥F2）：纳入12项研究，共15299例研究对象，CatBoost模型最优，AUROC 0.960（图5A）。
进展期纤维化（≥F3）：11项研究纳入，涉及10581例，FIB-12（基于ADORE）模型表现最好，AUROC 0.911（图5B）。
肝硬化（F4）：纳入6项研究，共7496例，SVM模型最优，AUROC 0.956（图5C）。
图5. 基于机器学习模型诊断不同肝纤维化分期的AUROC曲线下面积森林图
地理区域：诊断MASH时，亚洲研究里LightGBM模型最优（AUROC 0.920），非亚洲研究中XGBoost模型表现最好（AUROC 0.923）；诊断纤维化时，非亚洲研究里CatBoost模型最优（AUROC 0.960）。
集成与非集成方法：集成方法中，LightGBM、CatBoost、FIB-12、RF这几个模型，分别在MASH、显著纤维化、进展期纤维化、肝硬化中表现最佳；非集成方法里，SVM模型在各个纤维化阶段，表现都比较稳定且有优势。
发表年份：2013-2022年期间，MASH诊断中GB模型最优，纤维化各个阶段都是SVM模型表现最好；2023-2025年，MASH诊断里LightGBM模型最优，显著纤维化、进展期纤维化、肝硬化，分别是CatBoost、FIB-12、LR模型表现最佳。
图5 | 骨髓（BM）与外周血（PT）样本中的单核细胞具有 distinct functions 并可预测免疫治疗效果
