人工智能在肝脏疾病中的应用_黄瑞贤.pdf

doi:10.3969/j.issn.1006-5709.2023.01.023第一作者简介:黄瑞贤,硕士,住院医师,研究方向:非酒精性脂肪性肝病与非编码 RNA。E-mail:huangrx0914 通讯作者:汪保灿,博士,副主任医师,研究方向:非酒精性脂肪性肝病与胆道疾病。E-mail:wangbaocan 人工智能在肝脏疾病中的应用黄瑞贤,汪保灿上海交通大学医学院附属新华医院消化内科,上海 200092【摘要】人工智能(artificial intelligence,AI)是研究开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学,近年来蓬勃发展的 AI 技术已经深入到包括肝脏疾病在内的各个医学学科领域,并在疾病诊断及风险预测方面显示了巨大的应用潜力。本文就 AI 在肝纤维化、非酒精性脂肪性肝病、肝癌、肝移植、药物性肝损伤方面的研究进展作一概述。【关键词】人工智能;肝纤维化;非酒精性脂肪性肝病;肝癌;肝移植;药物性肝损伤中图分类号:R575文献标识码:A文章编号:1006-5709(2023)01-0110-04收稿日期:2022-02-21Progress of artificial intelligence in liver diseasesHUANG Ruixian,WANG BaocanDepartment of Gastroenterology,Xinhua Hospital Affiliated to Shanghai Jiao Tong University School of Medicine,Shanghai 200092,China【Abstract】Artificial intelligence(AI)is a new technological science for researching and developing theories,meth-ods,technologies and application systems to imitate,extend and expand human intelligence.In recent years,the boom-ing AI technology has penetrated into various medical disciplines,including liver diseases,and has shown great potential in disease diagnosis and risk prediction.This article introduced the research progress of AI in liver fibrosis,non alcohol-ic fatty liver disease,liver cancer,liver transplantation and drug-induced liver injury.【Key words】Artificial intelligence;Liver fibrosis;Non alcoholic fatty liver disease;Liver cancer;Liver transplanta-tion;Drug-induced liver injury人工智能(artificial intelligence,AI)是研究开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学1。近年来蓬勃发展的AI 技术已经深入到包括肝脏疾病在内的各个医学学科领域,并在疾病诊断及风险预测方面显示了巨大的应用潜力。鉴于此,2017 年 7 月,国务院印发的新一代人工智能发展规划中提到,将发展 AI 技术提升到国家战略层面高度,并将智能医疗作为 AI 的重点发展方向之一,应深化 AI 在智能医疗领域的应用,推广应用 AI 诊疗新模式、新手段,建立快速精准的智能医疗体系。研究显示,在诊断皮肤癌2、糖尿病视网膜病以及眼底病变3、评估乳腺癌腋窝淋巴结扩散4以及预测小儿自闭症5方面,AI 已经达到甚至超过了医师的平均诊断水平。目前,AI 技术在医学领域中的应用逐渐深入,包括影像学和病理诊断、疾病管理、药物研发、远程患者监测、医疗文书采集和挖掘、可穿戴设备、虚拟助手、医院管理等多个领域6。本文将介绍 AI在肝脏疾病诊断和预后判断领域的研究进展。1AI 在无创诊断肝纤维化中的作用放射学是 AI 应用广泛的一个领域,尽管目前 B超、电子计算机断层扫描(computed tomography,CT)、磁共振成像(magnetic resonance imaging,MRI)、弹性超声和血清指标用于肝纤维化诊断,但诊断效率尚不满意7。近来有多项研究报道利用医学影像学方法结合 AI 技术用于肝纤维化疾病的分期,Wang 等8进行了一项前瞻性多中心研究,评价 MRI 弹性成像深度学习放射组学(deep leaing radiomics of elastography,DLRE)的性能,采用卷积神经网络(convolutional neu-ral networks,CNN)模型进行监督培训和深度学习获得纤维化评分(DLRE 评分),比较其与肝穿证实的肝纤维化阶段之间的差异。结果显示,DLRE 对诊断 F4、F3、F2的曲线下面积(area under curve,AUC)分别为1.00(0.991.00)、0.99(0.971.00)、0.99(0.971.00),较未做 AI 处理的二维剪切波弹性呈像(two-dimensional shear wave elastography,2D-SWE)结果的AUC 分别为 0.13、0.18、0.25。与 2D-SWE 相比,该 AI辅助的弹性成像策略在预测肝纤维化分期方面显示了极好的诊断性能。Yasaka 等9进行了一项回顾性研究,旨在研究钆塞酸增强期肝脏磁共振图像的 CNN 模型在肝纤维化分期中的性能,发现通过深度学习获得011胃肠病学和肝病学杂志2023 年 1 月第 32 卷第 1 期Chin J Gastroenterol Hepatol,Jan 2023,Vol.32,No.1的纤维化评分与病理学评价的纤维化分期显著相关(Spearman 相关系数=0.63,P19,C反应蛋白 0.15,胰岛素抵 抗指数 6.37,白蛋白 2 个、增强 CT 图像上肝癌密度27、应用碘油栓塞、术后使用索拉非尼 5 项内容作为对化疗栓塞有应答的条件,来训练逻辑回归(Logis-tic regression,LR)和随机的森林(random forest,RF)模型,LR 和 RF 模型预测经动脉化疗栓塞治疗反应的总体准确性为 78%(敏感性 62.5%,特异性 82.1%,阳性预测值 50.0%,阴性预测值 88.5%)。本研究的主要局111胃肠病学和肝病学杂志2023 年 1 月第 32 卷第 1 期Chin J Gastroenterol Hepatol,Jan 2023,Vol.32,No.1限性是接受模型培训的患者队列非常小。为了增加治疗反应预测的准确性,模型应该在一个较大的患者队列上进行训练,以期望用来预测经动脉化疗栓塞的治疗反应,减少不必要的医疗干预,降低医疗费用,并尽量减少对患者的伤害。立体 定 向 放 射 治 疗(stereotactic body radiation therapy,SBRT)是肝癌的主要治疗策略之一,对肿瘤周围健康器官辐射毒性仍然是放射治疗(radiation therapy,RT)期间剂量递增的主要限制因素,对这种放射毒性的准确预测,决定了 SBRT 的成功。现有的基于剂量-体积柱状图的测量方法可能会大大低估肝脏放疗后的治疗毒性。Ibragimov 等17利用 125 例共 2 644 个肝脏三维 CT 图像数据库和随访数据来训练基于深度学习毒性预测因子的 CNN 模型,同时也包括患者基础肝脏疾病、肝脏肿瘤特征、是否使用其他治疗方法等情况一并训练学习。结果发现,CNN 模型能够实现精确的肝胆毒性预测,AUC 为 0.79,结合一些治疗前特征分析,AUC 可达到 0.85,该框架可以实现对放射毒性的准确预测,对判断放射治疗的进程和预后有很大的帮助。4AI 在肝移植中的应用潜在肝移植受者的数量和可用器官的数量之间的差异越来越大,目前常采用终末期肝病(model of end-stage liver disease,MELD)评分来作为器官分配策略的基础,但 MELD 不是肝移植后 3 个月死亡率的良好预测因子。在西班牙的一项 1 003 个肝移植案例的多中心研究中选了 64 对肝移植供体和受体作为变量,利用人工神经网络(artificial neural network,ANN)进行肝移植供受体匹配,计算 3 个月移植物存活和损失的概率模型,并将其准确性与 MELD 进行比较,3 个月移植物存活的 AUC 明显高于 MELD 组(0.80 vs 0.50),移植物损失预测的 AUC 也明显高于 MELD 组(0.82 vs 0.41)18。ANN 可以被认为是一种强大的决策技术,与其他度量标准相比,ANN 可能提供的巨大优势在于它们不仅是静态公式,它们是可以应用于独立个体的计算方法,并在群体内经过进一步培训和验证。ANN的另一个好处是,它们拥有的变量越多,就越有效,从而优化了肝移植器官分配的正义、效率和公平原则。术后急性肾损伤(acute kidney injury,AKI)是肝移植术后的重要并发症,通常寻找危险因素主要采用经典的回归方法,但回归分析方法中解释变量和结果变量之间可能的非线性关系往往不能被充分考虑,AI 相对不受传统统计分析的这些限制,梯度提升机作为一种 AI 技术方法,在运算过程中建立一系列连续的决策树,并在建立下棵树时先纠正前树预测的残差,在每一步提升之后,算法均会调整新添加的权重,以平衡每棵决策树的不足,从而减少只通过一个随机子集带来的过度拟合。Lee 等19回顾了 1 211 例患者,采用梯度提升机等深度学习方法预测 AKI,梯度增强机预测 AKI 的 AUC 为 0.90(95%CI:0.86 0.93),而传统Logistic 回归分析 AUC 为 0.61(P0.01),并且供体肝脏冷缺血时间和术中平均氧饱和度被认为是预测 AKI最重要的危险因素。5AI 在药物性肝损伤(drug-induced liver injury,DILI)中的应用目前已发现有 700 多种药物与肝损伤有关,DILI的机制复杂多样,远未阐明,使得 DILI 的毒理学研究变得困难20。最近,基于药物化合物分子结构的计算机模 型 已 成 为 预 测 DILI 更 方 便 实 用 的 方 法。Xu等21采用 AI 架构开发了 DILI 预测模型,对 475 种药物进行训练学习,并对 198 种药物进行验证,结果显示对 DILI 预测的准确率为 86.9%,敏感性为 82.5%,特异性为 92.9%,AUC 为 0.955,诊断效率优于常规预测方法。此外,通过深入分析,还发现了与 DILI 相关的重要分子特征。2015 年,Muller 等22在联合使用理论计算参数和测量的体外生物学数据进行 DILI 预测。他们的最佳模型达到了 88%的训练平衡准确度,正确识别了外部测试集中 10 种化合物中的 9 种,这些结果提示深度学习对预测化学分子诱发的 DILI 方面具有巨大的功效和潜力。6展望综上所述,虽然 AI 技术在肝脏疾病诊断、治疗和预后判断等领域应用逐渐深入,范围不断扩大。但也存在着许多问题需要深入研究:需要整合多种不同类型数据领域,进行跨学科的深度合作,以确保程序员开发算法的目标与临床医师的目标一致;需要一个更大、更平衡的样本数据集,并在工程学方法上加以改进,以期建立一个准确性更高,适用范围更广的辅助诊断治疗模型;需要在世界范围内,研究并解决 AI