进展期肝纤维化的准确识别对于慢性肝病患者的风险评估与临床决策具有重要意义。现有无创纤维化评分的诊断效能可能受病因异质性影响，机器学习方法有望进一步提高预测性能。

纳入181例经肝活检病理证实的单一病因慢性肝病患者，包括慢性乙型肝炎（CHB）、自身免疫性肝炎（AIH）、原发性胆汁性胆管炎（PBC）及代谢相关脂肪性肝病（MAFLD）。以Ishak分期≥4定义为进展期肝纤维化。计算APRI、FIB-4、King’s评分、Lok评分、ATA指数、GUCI评分及S-index评分，并构建3类机器学习模型。采用受试者工作特征曲线下面积（AUC）、校准曲线及决策曲线分析（DCA）评价各模型的判别能力、拟合程度及临床应用价值。

共71例（39.2%）患者存在进展期肝纤维化。FIB-4在整体队列中诊断效能最佳（AUC=0.797）。在MAFLD亚组中，ATA指数与纤维化分期相关性最强（ρ=0.61）。在机器学习模型中，逻辑回归模型表现最优（AUC=0.908），血小板计数、白细胞计数、前白蛋白及凝血酶原时间为主要预测因素。校准曲线及DCA结果显示，该模型具有良好一致性及较高临床净获益。

无创纤维化评分在进展期肝纤维化识别中仍具有重要价值，其中FIB-4整体表现最佳，ATA指数在MAFLD人群中具有优势。基于逻辑回归的机器学习模型可整合多维临床指标，显著提升预测效能，为肝纤维化风险分层提供有益补充。