GraftIQ: Hybrid multi-class neural network integrating clinical insight for multi-outcome prediction in liver transplant recipients
Notice bibliographique
Résumé
Liver transplant recipients (LTRs) are at risk of graft injury, leading to cirrhosis and reduced survival. Liver biopsy, the diagnostic gold standard, is invasive and risky. We developed a hybrid multi-class neural network (NN) model, ‘GraftIQ,’ integrating clinician expertise for non-invasive graft pathology diagnosis. Biopsies from LTRs (1992–2020) were classified into six categories using demographic, clinical, and lab data from 30 days pre-biopsy. The dataset (5217 biopsies) was split 70/30 for training/testing, with external validation at Mayo Clinic, Hannover Medical School, and NUHS Singapore. Bayesian fusion was used to combine clinician-derived probabilities with NN predictions, improving performance. Here we show that GraftIQ (MulticlassNN+clinical insight) achieved an AUC of 0.902 (95% CI:0.884–0.919), up from 0.885 with NN alone. Internal and external validation demonstrated 10–16% higher AUC than conventional ML models. GraftIQ demonstrates high accuracy in identifying graft etiologies and offers a valuable clinical decision support tool for LTRs. Liver transplant recipients are at risk of graft injury, yet diagnosis currently relies on invasive biopsies with associated risks. Here the authors developed and validated a non-invasive AI model, GraftIQ, which integrates clinician expertise with machine learning to accurately predict graft pathology and support clinical decision-making.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».