二维剪切波弹性成像联合血清学指标对原发性胆汁性胆管炎与重叠综合征的鉴别诊断价值

孙亚楠; 王子弦; 顾依晨; 吴彬彬; 谢淑慧; 吴静

doi:10.12449/JCH260816

二维剪切波弹性成像联合血清学指标对原发性胆汁性胆管炎与重叠综合征的鉴别诊断价值

DOI: 10.12449/JCH260816

孙亚楠^{1, 2},
王子弦^{1, 2},
顾依晨^{1, 2},
吴彬彬²,
谢淑慧²,
吴静^2, , ,

1.
南通大学医学院，江苏南通 226001
2.
南通大学附属南通第三医院（南通市第三人民医院）超声科，江苏南通 226006

基金项目:

南通市卫生健康委员会科研课题专项 (MS2025049);

南通大学临床医学专项资助项目 (2025LY030)

伦理学声明：本研究方案于2025年11月13日经南通市第三人民医院伦理委员会审批通过，批号：EK2025096，所有患者均签署知情同意书。

利益冲突声明：本文不存在任何利益冲突。

作者贡献声明：孙亚楠负责课题设计，数据分析，撰写论文；王子弦、顾依晨负责统计分析及数据采集；吴彬彬、谢淑慧负责数据采集，论文审阅；吴静负责指导和论文修改。

详细信息

通信作者:
吴静， ntsywj@163.com （ORCID： 0000-0002-4037-3712）

计量
- 文章访问数: 13
- HTML全文浏览量: 2
- PDF下载量: 1
- 被引次数: 0
出版历程
- 收稿日期: 2026-02-11
- 录用日期: 2026-03-30
- 出版日期: 2026-08-25

Value of two-dimensional shear wave elastography combined with serological markers in the differential diagnosis of primary biliary cholangitis and overlap syndrome

Yanan Sun^{1, 2},
Zixian Wang^{1, 2},
Yichen Gu^{1, 2},
Binbin Wu²,
Shuhui Xie²,
Jing Wu^{2
, ,
,}

1.
Medical School of Nantong University，Nantong，Jiangsu 226001，China
2.
Department of Ultrasound，Nantong Third Hospital Affiliated to Nantong University （Nantong Third People’s Hospital），Nantong，Jiangsu 226006，China

Research funding:

Nantong Municipal Health Commission Research Project (MS2025049);

Nantong University Special Research Fund for Clinical Medicine (2025LY030)

More Information

Corresponding author: Wu Jing， ntsywj@163.com （ORCID： 0000-0002-4037-3712）

摘要

摘要: 目的二维剪切波弹性成像（2D-SWE）联合血清学指标构建机器学习模型，探讨其鉴别原发性胆汁性胆管炎（PBC）与重叠综合征（OS）的临床价值。方法回顾性纳入2021年1月—2025年12月于南通市第三人民医院经病理证实的199例PBC或OS患者为研究对象，其中PBC组125例、OS组74例。按7∶3的比例随机分为训练集（n=139）与测试集（n=60）。收集血清学指标、常规二维超声及2D-SWE参数［剪切波速度（VS）、肝纤维化指数（LFI）等］。符合正态分布的计量资料两组间比较采用成组t检验；非正态分布的计量资料两组间比较采用Mann-Whitney U检验。计数资料两组间比较采用χ²检验。通过单因素和多因素Logistic回归筛选独立预测因子，将筛选出的变量纳入6种机器学习模型，通过5折交叉验证优化参数，在测试集中比较受试者操作特征曲线下面积（AUC）等指标确定最优模型，使用沙普利加性解释（SHAP）法分析评价模型。结果两组患者均以女性为主（OS组87.8%，PBC组79.2%）。OS组患者的年龄、VS、LFI、脾脏面积、天冬氨酸氨基转移酶、总胆红素、凝血酶原时间、免疫球蛋白（Ig）G及IgM水平均显著高于PBC组（Z值分别为-2.883、-6.524、-4.000、-3.061、-2.194、-2.372、-4.079、-6.964、-2.709，P值均<0.05），血小板计数低于PBC组（Z=4.098，P<0.001）；抗核抗体比例、肝纤维化分期及炎症分级在两组间差异均有统计学意义（χ²值分别为3.458、63.198、101.038，P值均<0.05）。将不存在多重共线性的变量纳入回归分析，多因素Logistic回归分析显示，VS［比值比（OR）=4.503，95%置信区间（CI）：1.698～11.943，P=0.003］、LFI（OR=1.813，95%CI：1.050～3.132，P=0.033）、IgG（OR=1.121，95%CI：1.026～1.226，P=0.012）是区分PBC与OS的独立预测因子。基于上述变量构建6种机器学习模型，其中逻辑回归模型在测试集中的预测效能最佳，AUC为0.881（95%CI：0.788～0.974），敏感度为0.731，特异度为0.794。SHAP分析显示，IgG对模型预测贡献度最大。结论联合2D-SWE参数（VS、LFI）与IgG构建的无创多模态机器学习模型可有效鉴别PBC与OS，为临床决策是否进一步行肝脏活组织检查提供参考依据。
- 原发性胆汁性胆管炎 /
- 重叠综合征 /
- 机器学习 /
- 弹性成像技术 /
- 免疫球蛋白G
Abstract: Objective To construct a machine learning model combining two-dimensional shear wave elastography （2D-SWE） and serological markers， and to investigate its clinical value in differentiating primary biliary cholangitis （PBC） from overlap syndrome （OS）. Methods A total of 199 patients with pathologically confirmed PBC or OS in Nantong Third People’s Hospital from January 2021 to December 2025 were retrospectively enrolled， with 125 patients in the PBC group and 74 in the OS group. The patients were randomly divided into a training set with 139 patients and a test set with 60 patients at a ratio of 7∶3. Related data were collected， including serological markers， conventional two-dimensional ultrasound parameters， and 2D-SWE parameters （including velocity of shear wave ［VS］ and liver fibrosis index ［LFI］）. The independent-samples t test was used for comparison of normally distributed continuous data between two groups， and the Mann-Whitney U test was used for comparison of non-normally distributed continuous data between two groups； the chi-square test was used for comparison of categorical data between two groups. The univariate and multivariate Logistic regression analyses were used to identify independent predictive factors， which were then incorporated into six machine learning models， and 5-fold cross-validation was used for optimization of parameters. The indicators including the area under the receiver operating characteristic curve （AUC） were compared in the test set to determine the best model， and the SHapley additive exPlanations （SHAP） analysis was used for model interpretation. Results Female patients accounted for 87.8% in the OS group and 79.2% in the PBC group. Compared with the PBC group， the OS group had significantly higher age， VS， LFI， splenic area， aspartate aminotransferase， total bilirubin， prothrombin time， immunoglobulin G （IgG）， and immunoglobulin M （Z=-2.883， -6.524， -4.000， -3.061， -2.194， -2.372， -4.079， -6.964， and -2.709， all P<0.05） and a significantly lower platelet count （Z=4.098， P<0.001）， and there were also significant differences between the two groups in the proportion of patients with positive anti-nuclear antibody， fibrosis stage， and inflammation grade （χ²=3.458， 63.198， and 101.038， all P<0.05）. Variables without multicollinearity were included in the regression analysis， and the multivariate Logistic regression analysis showed that VS （odds ratio ［OR］=4.503， 95% confidence interval ［CI］： 1.698 — 11.943， P=0.003）， LFI （OR=1.813， 95%CI： 1.050 — 3.132， P=0.033）， and IgG （OR=1.121， 95%CI： 1.026 — 1.226， P=0.012） were independent predictive factors for differentiating PBC from OS. Six machine learning models were constructed based on these variables， among which the logistic regression model showed the best predictive performance in the test set， with an AUC of 0.881 （95%CI： 0.788 — 0.974）， a sensitivity of 0.731， and a specificity of 0.794. The SHAP analysis showed that IgG contributed the most to model prediction. Conclusion The noninvasive multimodal machine learning model combining 2D-SWE parameters （VS， LFI） and serum IgG can effectively differentiate PBC from OS， providing a reference for clinical decision-making regarding the need for liver biopsy.
- Primary Biliary Cholangitis /
- Overlap Syndrome /
- Machine Learning /
- Elasticity Imaging Techniques /
- Immunoglobulin G

HTML全文

注： a，测试集的ROC曲线；b，测试集的决策曲线分析；c，测试集的校准曲线；d，LR模型测试集的混淆矩阵。LR，逻辑回归；SVM，支持向量机；RF，随机森林；ET，额外树；XGBoost，极端梯度提升；LightGBM，轻量梯度提升机；TN，真阴性；FP，假阳性；FN，假阴性；TP，真阳性；PBC，原发性胆汁性胆管炎；OS，重叠综合征；ROC，受试者操作特征曲线；AUC，ROC曲线下面积；CI，置信区间。

图 1 测试集中LR模型与其他算法区分PBC和OS的性能比较

Figure 1. Performance comparison between LR model and other algorithms in distinguishing PBC and OS in the test set

下载: 全尺寸图片幻灯片

注： a，SHAP摘要图；b，测试集中1例患者的预测过程。IgG，免疫球蛋白G；VS，剪切波速度；LFI，肝纤维化指数；OS，重叠综合征；LR，逻辑回归；SHAP，沙普利加性解释。

图 2 LR模型的SHAP特征分析

Figure 2. SHAP feature analysis of the LR model

下载: 全尺寸图片幻灯片

表 1 PBC组与OS组患者临床特征比较

Table 1. Comparison of clinical characteristics between the PBC group and OS group

变量	PBC组（n=125）	OS组（n=74）	统计值	P值
年龄（岁）	54.00（22.00～74.00）	58.00（26.00～75.00）	Z=-2.883	0.004
性别［例（%）］			χ²=1.834	0.177
男	26（20.8）	9（12.2）
女	99（79.2）	65（87.8）
体重指数（kg/m²）	22.72（15.40～43.25）	22.17（16.94～27.97）	Z=1.568	0.117
VS（m/s）	1.72（0.96～3.28）	2.25（1.07～3.12）	Z=-6.524	<0.001
ATT（dB·cm^-1·MHz^-1）	0.54（0.33～0.91）	0.53（0.31～0.72）	Z=1.287	0.198
LFI	3.01（0.54～5.06）	3.61（1.02～8.07）	Z=-4.000	<0.001
脾脏面积（mm²）	2 507.28（1 226.40～10 267.20）	2 939.87（1 402.20～8 437.63）	Z=-3.061	0.002
门静脉内径（mm）	11.44±1.34	11.61±1.37	t=-0.846	0.399
ALT（U/L）	90.00（4.00～4 079.00）	98.00（12.00～982.00）	Z=-0.960	0.338
AST（U/L）	72.00（17.00～2 733.00）	96.00（25.00～1 094.00）	Z=-2.194	0.028
TBil（μmol/L）	17.60（6.10～214.10）	21.85（8.20～165.30）	Z=-2.372	0.018
GGT（U/L）	224.00（11.00～3 393.00）	206.50（19.00～1 654.00）	Z=0.313	0.755
ALP（U/L）	184.00（33.00～1 549.00）	174.50（67.00～824.00）	Z=0.065	0.949
凝血酶原时间（s）	11.40（9.00～15.60）	12.30（1.05～17.80）	Z=-4.079	<0.001
血小板计数（×10⁹/L）	177.00（33.00～423.00）	138.50（46.00～338.00）	Z=4.098	<0.001
IgG（g/L）	14.30（7.66～42.30）	20.45（7.00～53.20）	Z=-6.964	<0.001
IgM（g/L）	2.10（0.35～13.00）	3.24（0.42～12.30）	Z=-2.709	0.007
抗核抗体［例（%）］			χ²=3.458	0.046
阳性	99（79.2）	49（66.2）
阴性	26（20.8）	25（33.8）
抗线粒体抗体2型［例（%）］			χ²=0.283	0.547
阳性	50（40.0）	26（35.1）
阴性	75（60.0）	48（64.9）
肝纤维化分期［例（%）］			χ²=63.198	<0.001
0～1期	60（48.0）	2（2.7）
2期	33（26.4）	14（18.9）
3期	24（19.2）	33（44.6）
4期	8（6.4）	25（33.8）
炎症分级［例（%）］			χ²=101.038	<0.001
0～1级	28（22.4）	0（0.0）
2级	72（57.6）	5（6.8）
3级	25（20.0）	67（90.5）
4级	0（0.0）	2（2.7）
注：PBC，原发性胆汁性胆管炎；OS，重叠综合征；VS，剪切波速度；ATT，声衰减系数；LFI，肝纤维化指数；ALT，丙氨酸氨基转移酶；AST，天冬氨酸氨基转移酶；TBil，总胆红素；GGT，γ-谷氨酰转移酶；ALP，碱性磷酸酶；IgG，免疫球蛋白G；IgM，免疫球蛋白M。

下载: 导出CSV

表 2 OS相关因素的单因素与多因素Logistic回归分析

Table 2. Univariate and multivariate Logistic regression analysis of factors associated with overlap syndrome

变量	单因素Logistic回归分析		多因素Logistic回归分析
变量	OR（95%CI）	P值	OR（95%CI）	P值
体重指数	0.858（0.755～0.974）	0.018
VS	8.347（3.515～19.823）	<0.001	4.503（1.698～11.943）	0.003
LFI	1.856（1.248～2.759）	0.002	1.813（1.050～3.132）	0.033
脾脏面积	1.000（1.000～1.001）	0.016
凝血酶原时间	1.313（1.020～1.689）	0.034
血小板计数	0.991（0.986～0.997）	0.004
IgG	1.183（1.092～1.281）	<0.001	1.121（1.026～1.226）	0.012
IgM	1.223（1.051～1.424）	0.010
注：OS，重叠综合征；OR，比值比；CI，置信区间；VS，剪切波速度；LFI，肝纤维化指数；IgG，免疫球蛋白G；IgM，免疫球蛋白M。

下载: 导出CSV

表 3 训练集与测试集中6种机器学习模型的预测能力评估

Table 3. Evaluation of predictive performance of six machine learning models across training and test sets

模型	集别	AUC	95%CI	CV_AUC	准确度	精准度	敏感度	特异度	F1值
LR	训练集	0.844	0.769～0.919	0.854	0.763	0.632	0.750	0.769	0.686
LR	测试集	0.881	0.788～0.974		0.767	0.731	0.731	0.794	0.731
SVM	训练集	0.874	0.806～0.942	0.824	0.849	0.776	0.792	0.879	0.784
SVM	测试集	0.841	0.735～0.948		0.717	0.714	0.577	0.824	0.638
RF	训练集	0.934	0.883～0.985	0.824	0.849	0.765	0.812	0.868	0.788
RF	测试集	0.826	0.715～0.937		0.800	0.792	0.731	0.853	0.760
ET	训练集	0.866	0.795～0.936	0.851	0.835	0.745	0.792	0.857	0.768
ET	测试集	0.867	0.768～0.965		0.767	0.750	0.692	0.824	0.720
XGBoost	训练集	0.992	0.974～1.000	0.798	0.957	0.920	0.958	0.956	0.939
XGBoost	测试集	0.779	0.657～0.902		0.683	0.640	0.615	0.735	0.627
LightGBM	训练集	0.949	0.904～0.994	0.797	0.885	0.833	0.833	0.912	0.833
LightGBM	测试集	0.803	0.687～0.920		0.733	0.708	0.654	0.794	0.680
注：LR，逻辑回归；SVM，支持向量机；RF，随机森林；ET，额外树；XGBoost，极端梯度提升；LightGBM，轻量梯度提升机；AUC，受试者操作特征曲线下面积；CI，置信区间；CV_AUC，训练集5折交叉验证的AUC均值。

下载: 导出CSV

参考文献(21)

[1]	European Association for the Study of the Liver. EASL Clinical Practice Guidelines: The diagnosis and management of patients with primary biliary cholangitis[J]. J Hepatol, 2017, 67( 1): 145- 172. DOI: 10.1016/j.jhep.2017.03.022.
[2]	European Association for the Study of the Liver. EASL Clinical Practice Guidelines on the management of autoimmune hepatitis[J]. J Hepatol, 2025, 83( 2): 453- 501. DOI: 10.1016/j.jhep.2025.03.017.
[3]	Efe C, Ozaslan E, Heurgué-Berlot A, et al. Sequential presentation of primary biliary cirrhosis and autoimmune hepatitis[J]. Eur J Gastroenterol Hepatol, 2014, 26( 5): 532- 537. DOI: 10.1097/MEG.0000000000000075.
[4]	Yang F, Wang Q X, Wang Z Y, et al. The natural history and prognosis of primary biliary cirrhosis with clinical features of autoimmune hepatitis[J]. Clin Rev Allergy Immunol, 2016, 50( 1): 114- 123. DOI: 10.1007/s12016-015-8516-5.
[5]	Park Y, Cho Y, Cho E J, et al. Retrospective analysis of autoimmune hepatitis-primary biliary cirrhosis overlap syndrome in Korea: Characteristics, treatments, and outcomes[J]. Clin Mol Hepatol, 2015, 21( 2): 150- 157. DOI: 10.3350/cmh.2015.21.2.150.
[6]	European Association for the Study of the Liver. EASL Clinical Practice Guidelines on non-invasive tests for evaluation of liver disease severity and prognosis-2021 update[J]. J Hepatol, 2021, 75( 3): 659- 689. DOI: 10.1016/j.jhep.2021.05.025.
[7]	Ferraioli G, Barr R G, Berzigotti A, et al. WFUMB guidelines/guidance on liver multiparametric ultrasound. Part 2: Guidance on liver fat quantification[J]. Ultrasound Med Biol, 2024, 50( 8): 1088- 1098. DOI: 10.1016/j.ultrasmedbio.2024.03.014.
[8]	Asif S, Yi W H, ur-Rehman S, et al. Advancements and prospects of machine learning in medical diagnostics: Unveiling the future of diagnostic precision[J]. Arch Comput Meth Eng, 2025, 32( 2): 853- 883. DOI: 10.1007/s11831-024-10148-w.
[9]	Wang W, Zhang J C, Tian W S, et al. Shear wave elastography-based ultrasomics: Differentiating malignant from benign focal liver lesions[J]. Abdom Radiol(NY), 2021, 46( 1): 237- 248. DOI: 10.1007/s00261-020-02614-3.
[10]	Dong B T, He R L, Ju S H, et al. Fibrosis-4plus score: A novel machine learning-based tool for screening high-risk varices in compensated cirrhosis(CHESS2004): An international multicenter study[J]. Clin Mol Hepatol, 2025, 31( 3): 881- 898. DOI: 10.3350/cmh.2024.0898.
[11]	Chinese Society of Ultrasound in Medicine; Oncology Intervention Committee of Chinese Research Hospital Society; National Health Commission Capacity Building and Continuing Education Expert Committee on Ultrasonic Diagnosis. Guideline for ultrasonic diagnosis of liver diseases[J]. J Clin Hepatol, 2021, 37( 8): 1770- 1785. DOI: 10.3969/j.issn.1001-5256.2021.08.007. 中华医学会超声医学分会, 中国研究型医院学会肿瘤介入专业委员会, 国家卫生健康委员会能力建设和继续教育中心超声医学专家委员会. 肝病超声诊断指南[J]. 临床肝胆病杂志, 2021, 37( 8): 1770- 1785. DOI: 10.3969/j.issn.1001-5256.2021.08.007.
[12]	Koga T, Morikawa Y. Ultrasonographic determination of the splenic size and its clinical usefulness in various liver diseases[J]. Radiology, 1975, 115( 1): 157- 161. DOI: 10.1148/115.1.157.
[13]	Scheuer P J. Classification of chronic viral hepatitis: A need for reassessment[J]. J Hepatol, 1991, 13( 3): 372- 374. DOI: 10.1016/0168-8278(91)90084-o.
[14]	Yan Y L, Xing X, Wang Y, et al. Clinical utility of two-dimensional shear-wave elastography in monitoring disease course in autoimmune hepatitis-primary biliary cholangitis overlap syndrome[J]. World J Gastroenterol, 2022, 28( 18): 2021- 2033. DOI: 10.3748/wjg.v28.i18.2021.
[15]	Muratori P, Granito A, Pappas G, et al. The serological profile of the autoimmune hepatitis/primary biliary cirrhosis overlap syndrome[J]. Am J Gastroenterol, 2009, 104( 6): 1420- 1425. DOI: 10.1038/ajg.2009.126.
[16]	Schulz L, Sebode M, Weidemann S A, et al. Variant syndromes of primary biliary cholangitis[J]. Best Pract Res Clin Gastroenterol, 2018, 34: 55- 61. DOI: 10.1016/j.bpg.2018.06.003.
[17]	Liang Y X, Khandakar B, Hao Y S, et al. Histology and clinical correlations in autoimmune hepatitis, primary biliary cholangitis, and autoimmune hepatitis-primary biliary cholangitis overlap syndrome[J]. Ann Diagn Pathol, 2023, 67: 152178. DOI: 10.1016/j.anndiagpath.2023.152178.
[18]	Yan Y L, Xing X, Lu Q, et al. Assessment of biopsy proven liver fibrosis by two-dimensional shear wave elastography in patients with primary biliary cholangitis[J]. Dig Liver Dis, 2020, 52( 5): 555- 560. DOI: 10.1016/j.dld.2020.02.002.
[19]	Chen Rui, Zheng Yijun, Gao Zhiling, et al. Value of ultrasound combined with elastography in evaluating inflammation grading in patients with chronic liver disease at S2 stage of liver fibrosis[J]. Acad J Nav Med Univ, 2025, 46( 7): 863- 868. DOI: 10.16781/j.CN31-2187/R.20240558. 陈蕊, 郑一君, 高志玲, 等. 超声联合弹性成像技术评估慢性肝病肝纤维化S2期患者炎症分级的价值[J]. 海军军医大学学报, 2025, 46( 7): 863- 868. DOI: 10.16781/j.CN31-2187/R.20240558.
[20]	Wang Y, Li Y N, Wang X Y, et al. Predicting liver disease risk using a combination of common clinical markers: A screening model from routine health check-up[J]. Dis Markers, 2020, 2020: 8460883. DOI: 10.1155/2020/8460883.
[21]	Wang K L, Li Y, Pan J F, et al. Noninvasive diagnosis of AIH/PBC overlap syndrome based on prediction models[J]. Open Med(Wars), 2022, 17( 1): 1550- 1558. DOI: 10.1515/med-2022-0526.