解鎖肝臟診療新維度——人工智能如何重塑肝細胞癌全程管理

*僅供醫(yī)學專業(yè)人士閱讀參考

系統(tǒng)梳理AI在肝癌風險分層、診斷、治療及預(yù)后預(yù)測中的變革性應(yīng)用，推動精準醫(yī)療時代到來。

肝細胞癌（HCC）是全球癌癥相關(guān)死亡的主要原因之一。隨著乙肝疫苗的普及和直接抗病毒藥物的應(yīng)用，肝細胞癌的全球疾病譜已從病毒性肝炎為主轉(zhuǎn)向非病毒性病因。然而，成功的抗病毒治療并不能完全消除肝癌發(fā)生風險，這凸顯了對更有效監(jiān)測策略的迫切需求。目前，臨床采用的每半年一次的超聲聯(lián)合甲胎蛋白（AFP）篩查方法[1]，對早期肝癌的檢出靈敏度欠佳，尤其在肥胖或非病毒性肝病患者中表現(xiàn)更不理想。肝癌起病隱匿、進展迅速，多數(shù)患者確診時已處于中晚期，加之其高度異質(zhì)性和風險因素的動態(tài)變化，使得個體化風險評估極具挑戰(zhàn)，亟需一種更具成本效益且可靠的監(jiān)測手段。

在治療方面，巴塞羅那臨床肝癌分期系統(tǒng)為肝癌治療提供了基本框架，但在中期肝癌等“灰色地帶”，治療決策仍存在諸多爭議。盡管酪氨酸激酶抑制劑（TKIs）和免疫檢查點抑制劑（ICIs）的出現(xiàn)極大地改變了肝癌的治療格局，但患者反應(yīng)率參差不齊，且面臨藥物耐藥和不良反應(yīng)等挑戰(zhàn)，凸顯了制定個體化治療策略的必要性。在此背景下，人工智能技術(shù)通過處理復(fù)雜的非線性關(guān)系、挖掘臨床數(shù)據(jù)中的隱藏模式，展現(xiàn)出超越傳統(tǒng)統(tǒng)計方法的強大潛力，為應(yīng)對上述挑戰(zhàn)提供了革命性的工具。近期發(fā)表于Gut and Liver的一篇綜述，系統(tǒng)梳理了人工智能在肝癌“診斷、治療、預(yù)后”全鏈條中的應(yīng)用進展[2] 。該文指出，人工智能不僅能通過分析影像、病理和多組學數(shù)據(jù)提升診斷精度、發(fā)現(xiàn)新型生物標志物，更能助力臨床醫(yī)生為患者量身定制治療方案，最終優(yōu)化預(yù)后。本文對該綜述進行深度解析，以期為臨床醫(yī)生和研究者提供有價值的參考。

研究結(jié)果

一、肝癌風險分層與篩查

人工智能通過整合臨床數(shù)據(jù)、影像及多組學信息，顯著提升了個體化肝癌風險評估的準確性。

肝纖維化無創(chuàng)評估：肝纖維化是肝癌發(fā)生的重要風險因素。傳統(tǒng)無創(chuàng)檢測（NITs）的截斷值不夠靈活，無法適應(yīng)患者的異質(zhì)性。而人工智能模型表現(xiàn)優(yōu)異。例如，基于深度學習放射組學的彈性成像技術(shù)，診斷肝硬化（AUC=0.97）和晚期纖維化（AUC=0.98）的準確率幾乎與肝穿刺活檢相當，超越了肝臟硬度測量（LSM）和傳統(tǒng)血清生物標志物。

肝癌風險預(yù)測模型：多項研究證實了人工智能模型的優(yōu)越性。一項針對慢性乙型肝炎（CHB）患者的研究顯示，基于10個臨床變量的梯度提升模型在預(yù)測肝癌風險方面，訓(xùn)練集和驗證集的AUC達0.79-0.81。在處理隨時間變化的縱向數(shù)據(jù)時，循環(huán)神經(jīng)網(wǎng)絡(luò)模型比傳統(tǒng)回歸模型表現(xiàn)更佳。針對丙型肝炎（HCV）治愈后患者，研究者開發(fā)的決策樹模型成功整合臨床數(shù)據(jù)和基因組學，有效識別了仍存在肝癌高風險的人群。此外，結(jié)合臨床數(shù)據(jù)和身體成分參數(shù)的梯度提升模型PLAN-B-DF，在CHB患者中實現(xiàn)了優(yōu)于傳統(tǒng)模型的風險分層。

二、 肝癌診斷

人工智能在影像學和病理學診斷領(lǐng)域均取得了突破性進展，有效減少了診斷變異性和人為誤差。

放射學診斷：超聲診斷準確率高度依賴操作者經(jīng)驗，一項薈萃分析顯示其靈敏度僅為59%-78%。人工智能模型則能自動提取人眼無法識別的細微影像特征。一項研究構(gòu)建的CNN模型在利用B超圖像區(qū)分肝結(jié)節(jié)（包括肝癌、轉(zhuǎn)移瘤、囊腫和血管瘤）時，其腫瘤鑒別準確率（89.1%）顯著超過臨床專家（67.3%）。在CT和MRI領(lǐng)域，人工智能同樣表現(xiàn)出色。有研究建立的深度學習系統(tǒng)在MRI上識別肝癌的速度比放射科醫(yī)生快6倍，且在驗證集中實現(xiàn)了87%的靈敏度和93%的特異度。對于與肝癌復(fù)發(fā)高度相關(guān)的微血管侵犯，基于CT和MRI的深度學習模型預(yù)測AUC值超過0.90。

數(shù)字病理學：人工智能能夠捕捉光學顯微鏡下易被忽略的細微組織學變化。深度學習模型可直接從H&E染色的病理切片中預(yù)測肝癌風險，甚至能區(qū)分包括肝癌在內(nèi)的五種肝臟結(jié)節(jié)病變，總體AUROC高達0.935，極大地減輕了病理科醫(yī)生的工作負擔，尤其在缺乏專科病理醫(yī)生的地區(qū)價值顯著。

三、肝癌治療

人工智能在指導(dǎo)個體化治療決策方面展現(xiàn)出巨大潛力，覆蓋從抗病毒治療到手術(shù)、局部及系統(tǒng)治療的全過程。

抗病毒治療：對于CHB患者，PLAN-S等機器學習模型有助于選擇一線抗病毒藥物以最大程度降低肝癌風險。對于接受直接抗病毒藥物治療失敗的丙肝患者，極限梯度提升（XGBoost）模型能成功識別出70%存在治療失敗風險的患者，其預(yù)測能力優(yōu)于傳統(tǒng)回歸模型。

手術(shù)與消融：針對早期肝癌是選擇手術(shù)切除還是消融治療的爭議，人工智能提供了新的決策依據(jù)。基于超聲造影的放射組學特征與接受射頻消融或手術(shù)切除患者的無進展生存期密切相關(guān)。此外，基于深度學習的3D定量腫瘤總負荷可作為預(yù)測術(shù)后早期復(fù)發(fā)的生物標志物，有助于對BCLC A/B期患者進行更精細的亞分類。

肝動脈化療栓塞：對于中期肝癌患者，利用治療前CT圖像的深度學習模型在預(yù)測肝動脈化療栓塞治療反應(yīng)方面表現(xiàn)出色，AUC值高達0.97。

分子靶向治療：針對侖伐替尼等靶向藥物，整合臨床變量和血管生成相關(guān)細胞因子的決策樹生存模型，在預(yù)測不可切除肝癌患者治療反應(yīng)時AUC可達0.906。同樣，機器學習放射組學模型預(yù)測侖伐替尼單藥療效的AUC也達到了0.93。

免疫治療：鑒于免疫治療的費用和應(yīng)答率（PD-1抑制劑單藥約20%，聯(lián)合用藥約30%），篩選獲益人群至關(guān)重要。機器學習模型已被證實能有效預(yù)測接受免疫治療的晚期肝癌患者的死亡率。尤為值得關(guān)注的是，基于聚類約束注意力多實例學習的病理學模型，不僅能自動分析全切片圖像，還能預(yù)測與免疫治療反應(yīng)相關(guān)的基因信號激活。

肝移植：人工智能模型結(jié)合實時臨床數(shù)據(jù)與定量組織學/放射組學特征，可為肝移植候選者的選擇提供客觀的風險評估。有研究利用基于機器學習的算法模擬隨機對照試驗，證實活體肝移植相比公民逝世后器官捐獻肝移植，能帶來10.3%的10年預(yù)期生存獲益。

四、 肝癌預(yù)后預(yù)測

與傳統(tǒng)Cox回歸模型相比，人工智能算法（如隨機生存森林、XGBoost生存分析等）不受比例風險假設(shè)的限制，能更靈活地處理復(fù)雜的交互作用和時間變化的協(xié)變量，從而實現(xiàn)更精準的預(yù)后判斷。例如，基于深度學習的組織學切片模型預(yù)測肝癌切除或消融術(shù)后生存期的表現(xiàn)，優(yōu)于僅依賴臨床變量的模型。

圖1 人工智能在 HCC 、 HCC 、肝細胞癌等疾病中的應(yīng)用

總結(jié)

本綜述系統(tǒng)性地描繪了人工智能在肝細胞癌診療全過程中的變革性藍圖。其核心價值在于，人工智能通過整合多維數(shù)據(jù)，不僅提升了從風險篩查、早期診斷到治療決策、預(yù)后判斷等各個環(huán)節(jié)的精準度，更在解決傳統(tǒng)診療模式中的“灰色地帶”和個體異質(zhì)性難題上展現(xiàn)出獨特優(yōu)勢。尤其是人工智能驅(qū)動的多組學分析，正在加速新型生物標志物和藥物靶點的發(fā)現(xiàn)，為推進肝癌的精準醫(yī)療注入了強勁動力。

然而，綜述也清醒地指出，當前人工智能在肝癌領(lǐng)域的應(yīng)用仍面臨諸多挑戰(zhàn)，如缺乏高質(zhì)量的前瞻性外部驗證、模型“黑箱”性質(zhì)導(dǎo)致的可解釋性不足、以及數(shù)據(jù)標準化缺失等問題。未來，發(fā)展可解釋的人工智能、構(gòu)建整合多模態(tài)數(shù)據(jù)的人工智能模型、以及自動化機器學習流程，將是推動這些強大工具從實驗室研究平穩(wěn)過渡到日常臨床實踐的關(guān)鍵。盡管前路漫漫，但隨著技術(shù)的不斷演進，人工智能必將開創(chuàng)肝病學數(shù)據(jù)驅(qū)動醫(yī)療的新時代。

參考文獻：

[1] Singal AG, et al. AASLD practice guidance on prevention, diagnosis, and treatment of hepatocellular carcinoma. Hepatology 2023;78:1922-1965.

[2] Lu MY,et al . Artificial Intelligence Applications in the Diagnosis, Treatment, and Prognosis of Hepatocellular Carcinoma. Gut Liver. 2026 Jan 15;20(1):5-23.

審批編號：CN-184413有效期至：2027/5/19
本材料由阿斯利康提供，僅供醫(yī)療衛(wèi)生專業(yè)人士參考

*此文僅用于向醫(yī)療衛(wèi)生專業(yè)人士提供科學信息，不代表平臺立場。