该项研究从PubMed、Web of Science、Embase和Cochrane Library四大数据库中检索获得4314篇文献，最终纳入106篇论著进行系统评价，其中35篇进行数据提取和荟萃分析。
研究发现，在机器学习模型中，逻辑回归（Logistic Regression，LR）最为常用，其次是随机森林（Random Forests，RF）和支持向量机（Support Vector Machine，SVM）。机器学习诊断MASH和肝纤维化的总AUROC分别为0.833和0.826。其中，轻量级梯度提升机（Light Gradient Boosting Machine，LightGBM）和分类提升（Categorical Boosting，CatBoost）分别是诊断MASH和MASH相关肝纤维化的最佳机器学习模型，AUROC分别高达0.920和0.960。
在深度学习模型中，Neural Network算法是最常用的模型。深度学习模型诊断MASH和肝纤维化的总AUROC分别为0.841和0.875，整体优于机器学习。其中，ResNet50和卷积神经网络（Convolutional neural network，CNN）诊断MASH和肝纤维化效能最佳，AUROC分别为0.960和0.917。
研究根据肝纤维化分期进行亚组分析，发现CatBoost依然是诊断显著肝纤维化（≥F2）的最佳机器学习模型，AUROC为0.960，而基于机器学习算法开发的FIB-12是诊断进展期肝纤维化的最佳无创模型（AUROC=0.911）。在诊断肝硬化方面，SVM的效能最佳，AUROC达到0.956。针对机器学习，研究进一步根据不同地域（亚洲地区vs. 非亚洲地区）、不同分类方法（集成学习vs. 非集成学习）以及文献发布不同年份（2022年以前vs. 2022年以后）进行了详尽的亚组分析，发现LightGBM、XGBoost、SVM、CatBoost、LR在诊断MASH及相关肝纤维化方面展现出良好的诊断效能。
本项研究证实，机器学习和深度学习模型在识别MASH及相关肝纤维化方面均表现出较强的诊断性能。机器学习模型在不同的肝纤维化分期诊断中也表现出较为稳定的诊断效能。未来，基于机器学习和深度学习开发的各类无创诊断和预后模型将进一步促进MASLD的早期诊断和风险分层，优化临床管理。
