编者按：代谢相关脂肪性肝病（MAFLD）已成为全球主要的慢性肝病，其相关肝纤维化的早期、准确评估对疾病管理和预后至关重要。在第二届感染与肝病学科发展大会（ILDDC）上，南京大学医学院附属鼓楼医院李婕教授在主题报告中，系统阐述了如何利用人工智能技术，整合多维度数据，构建并验证用于MAFLD相关肝纤维化无创诊断与风险分层的精准模型，展现了AI在肝病研究领域带来的范式变革与临床应用潜力。

MAFLD的疾病负担与诊断挑战

MAFLD在全球范围内的流行率高达29.8%，亚洲的流行率为29.63%，且呈持续上升趋势，构成了巨大的公共卫生负担[1,2]。其疾病谱从单纯性脂肪肝（NAFL）到代谢相关脂肪性肝炎（MASH），并可进一步发展为肝纤维化和肝硬化。研究数据显示，约4%的NAFL患者和20%的NASH患者会进展为肝硬化，同时也有约5%的NASH患者可能自发缓解[3]。因此，准确评估肝纤维化程度是预测疾病转归、指导临床决策的核心环节。

传统的肝纤维化诊断方法包括肝脏生化学检测（如ALT、AST、GGT、总胆红素）、血液学指标（如血小板计数、凝血酶原时间）、以及血清肝纤维化标志物（如透明质酸、层粘连蛋白、III型前胶原N端肽、IV型胶原）和免疫学指标（如α2巨球蛋白、结合珠蛋白）等。然而，这些方法在精准性、特异性方面存在局限，而肝脏活检作为“金标准”又具有有创性、采样误差和观察者间差异等缺点。

智能时代临床研究的范式变革与AI驱动力

当前，肝病临床研究正面临数据爆炸与复杂性的双重挑战。一方面，多组学数据、影像学资料、电子病历和长期随访数据呈指数级增长，海量数据的整合利用成为难题。另一方面，疾病本身（如MAFLD、肝癌）存在高度的异质性，传统的分型方法较为粗糙，难以满足精准医疗的需求。同时，数据清洗耗时耗力，人工判读结果存在主观性，而传统的统计方法在挖掘深层次、非线性的复杂关系时也遇到瓶颈。

人工智能（AI）技术，结合大数据与云计算，正成为破解上述难题的核心驱动力。AI能够显著提升研究效率，实现数据预处理和特征提取的自动化。它能增强洞察力，发现人眼无法识别的复杂影像模式或新型生物标志物。最终，AI的目标是实现精准医疗，包括对肝病进行精准分型、准确预测预后以及为患者推荐个性化的治疗方案。其技术工具箱主要包括：1) 机器学习：监督学习用于构建预测模型（如疾病进展、治疗反应），无监督学习用于患者亚型细分和生物标志物发现；2) 深度学习：如卷积神经网络（CNN）用于处理病理切片和CT/MRI影像，循环神经网络（RNN）或Transformer用于分析时序性病历数据；3) 自然语言处理（NLP）：从非结构化临床文本中提取结构化信息，构建高质量科研数据库。

图1. AI赋能MAFLD患者肝纤维化无创模型构建（引自讲者会议幻灯）

AI赋能构建特定人群肝纤维化预测模型

01
CHB合并肝脂肪变患者的肝纤维化预测模型

针对慢性乙型肝炎（CHB）合并肝脂肪变这一特殊人群，李婕教授团队开发了基于机器学习的肝纤维化预测模型[4]。研究纳入了来自3家中心的797名患者作为训练队列，以及来自7家中心的401名患者作为外部验证队列。研究采用了包括随机森林、梯度提升决策树、高斯朴素贝叶斯、决策树、多项式朴素贝叶斯和K近邻在内的多种机器学习算法，并基于23项临床特征进行建模。通过五倍交叉验证来减少过拟合风险并评估模型稳健性。模型效能通过受试者工作特征曲线下面积（AUROC）、决策曲线分析（评估临床净获益）和校准曲线（评估预测概率准确性）进行综合评估。

此外，研究还进行了广泛的亚组分析（按年龄、性别、BMI、HBeAg状态、HBV DNA分层），并将新模型与现有的无创指标（如FIB-4、APRI、NFS）的诊断效能进行了比较，证明了其优越性。该模型的相关研究成果已发表于《Clinical Gastroenterology and Hepatology》（2024）。

02
CHB合并肝脂肪变患者的肝脏炎症预测模型

在同一人群基础上，李婕教授团队进一步构建了肝脏炎症的预测模型[5]。该研究采用了来自10个中心的689名患者作为训练队列，并设置了两个独立的外部验证队列（天津市传染病医院509名，上海瑞金医院589名）。模型同样整合了关键的临床特征，旨在无创、准确地评估肝脏炎症活动度，为临床管理提供更多维度的信息。该研究结果发表于《eClinicalMedicine》（2024）。

图2. CHB合并肝脂肪变患者肝脏炎症的预测模型研究摘要（引自讲者会议幻灯）

03
多模态AI模型的构建与验证：MAOSS模型

为探索更普适、更便捷的无创筛查路径，李婕教授团队与阿里达摩院高远教授、中国医科大学附属盛京医院石喻教授合作，开发了一种用于机会性脂肪性肝病（SLD）筛查的多模态人工智能模型——MAOSS模型[6]。该模型创新性地整合了人口学数据、常规血清学指标以及常规CT影像（特别是平扫CT）的深度学习特征，旨在不增加额外检查负担的情况下，实现对肝脂肪变和肝纤维化的精准预测与风险分级。

研究采用了多中心回顾性队列设计。训练集（n=2，071）创新性地采用“金标准（病理/MRI-PDFF确诊数据）+银标准（放射科报告诊断数据）”混合数据进行训练，以充分利用现实世界数据。验证集（n=1，035）包括内部测试集（基于病理和MRI-PDFF金标准）和外部测试集（跨中心病理金标准）。此外，还在一个包含18504名体检及门诊人群的真实世界筛查队列中评估了模型的普适性。

研究取得了多项重要发现：1）在脂肪肝分级方面，模型在内部和外部测试集中均表现出极高的准确性（AUC>0.9），且具有高特异性（90.8%-100.0%），假阳性率极低，非常适合作为筛查工具。2）在肝纤维化分期方面，仅利用平扫CT即可实现对纤维化的有效风险分层，且模型对识别进展期肝病（如显著纤维化以上）尤为有效。3）通过MRI-PDFF验证，证实MAOSS模型与MRI-PDFF结果高度一致，泛化性佳。4）一个关键结论是，对于评估脂肪肝和纤维化，平扫CT（NCCT）的效果优于增强CT（CECT），因为造影剂可能掩盖肝脏固有的密度和纹理特征。这有力支持了利用最普及的平扫CT进行“机会性筛查”的可行性。

在真实世界应用中，MAOSS模型与放射科医生报告在脂肪肝检出方面高度一致（体检场景达96.6%），在排除非脂肪肝方面表现出近乎完美的阴性预测能力（体检场景达99.4%）。值得注意的是，利用常规胸部CT进行筛查的AUC和一致性在多数场景下甚至优于专门的腹部CT，极大拓展了筛查场景。

MAOSS模型的核心价值在于优化临床路径和风险分层。针对“有进展风险的MASH”（定义为NAS评分≥4且纤维化≥F2）这一目标人群，研究对比了基于瞬时弹性成像（FibroScan）和FIB-4的美国肝病研究学会（AASLD）标准路径，与基于MAOSS、FIB-4和FAST评分的提议路径。结果显示，MAOSS路径将识别高风险患者的敏感性提升至52.4%，是现有标准的3倍以上，同时保持了更高的阴性预测值（92.6% vs 89.1%）。模拟计算表明，应用MAOSS路径可多识别出36%存在进展风险的患者。

更重要的证据来自纵向预后研究。对236名基线无肝硬化（F0-F3）的患者进行中位约2.3年的随访，发现9名患者进展为肝硬化。根据MAOSS风险分层，低风险组仅11.8%发生进展，而中高风险组高达45.5%发生进展。生存曲线显示两组分离极其显著。在校正竞争风险和其他混杂因素后，被MAOSS判定为“中高风险”的患者，其进展为肝硬化的风险是低风险者的5.56倍。这强有力地证明了MAOSS模型不仅具有诊断价值，更具有重要的预后预测价值。

图3. MAOSS模型应用场景：预后价值验证（引自讲者会议幻灯）

04
AI构建MASH/肝纤维化模型的研究概况综述

李婕教授团队还对AI在该领域的研究现状进行了系统性回顾分析[7]。结果显示，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。在纳入分析的35项研究中，机器学习模型28项，深度学习模型7项。逻辑回归（LR）是机器学习中最常用的算法，其次是随机森林（RF）和支持向量机（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（LightGBM， AUROC 0.920）和分类提升（CatBoost， AUROC 0.960）分别是诊断MASH和MASH相关肝纤维化的最佳机器学习模型。在深度学习模型中，神经网络（Neural Network）是最常用的架构，其诊断MASH和肝纤维化的总AUROC分别为0.841和0.875，整体略优于机器学习。其中，ResNet50和卷积神经网络（CNN）效能最佳，AUROC分别达0.960和0.917。

全国多中心临床研究队列的建立与展望

为了支撑高质量的AI模型研发与验证，李婕教授团队牵头建立了覆盖全国的、大规模的慢性肝病真实世界研究队列和生物样本库。这包括：1）BMOVE队列：一项针对慢性乙型肝炎合并MAFLD患者的多中心真实世界研究，已扩展至9省16家中心，纳入超过3200例经肝活检验证的患者，并注册了临床试验（NCT05766449），旨在探索该人群的临床预后。2）系列脂肪肝队列：包括基于腹部超声诊断的19018例患者队列（来自3家中心）、基于瞬时弹性成像（VCTE）诊断的5127例患者队列（来自6省市9家中心）、以及基于肝活检诊断的1401例患者队列（来自6省市8家中心）。

图4. 脂肪肝队列（引自讲者会议幻灯）

团队还首创了具有自主知识产权的慢性肝病健康管理平台，并在国内多家医院推广应用，依托该平台建立了包含3万余份血标本和500余份肝组织标本的大型样本库。以此为基础，牵头了多项全国多中心临床研究，如MARS研究（MAFLD相关肝癌）、SMART研究（MAFLD相关肝硬化）和BMOVE研究，为未来更深入的机制探索和模型优化奠定了坚实基础。

小 结

人工智能正深刻变革着MAFLD及相关肝纤维化的研究与实践范式。从针对CHB合并脂肪肝特定人群的机器学习预测模型，到利用常规平扫CT实现“机会性筛查”的多模态MAOSS模型，AI技术展现出在提升诊断准确性、优化临床路径、实现精准风险分层和预后预测方面的巨大潜力。当前的研究表明，深度学习模型整体诊断效能优异，而逻辑回归等传统机器学习模型因可解释性强仍被广泛使用。未来，随着如BMOVE队列等大规模、高质量真实世界数据的不断积累与融合，AI赋能的肝病无创诊断与管理系统将更加精准、普适和智能化，最终助力实现肝病的早期干预和个性化管理。

参考文献

1. Jie Li. et al. Lancet Gastroenterol Hepatol, 2019

2. Clin Gastroenterology Hepatology. 2021

3. Llovet JM. et al. Nat Rev Gastroenterol Hepatol. 2023 Mar 17

4. Jie Li (Corresponding). Clinical Gastroenterology and Hepatology 2024

5. Jie Li (Corresponding). eClinicalMedicine 2024

6. Yuan Gao. Nature Communication, 2026

7. Jie Li (Corresponding). Journal of Advanved Research 2025

（来源：《国际肝病》编辑部）

声明：本文仅供医疗卫生专业人士了解最新医药资讯参考使用，不代表本平台观点。该信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议，如果该信息被用于资讯以外的目的，本站及作者不承担相关责任。