解锁肝脏诊疗新维度——人工智能如何重塑肝细胞癌全程管理

*仅供医学专业人士阅读参考

系统梳理AI在肝癌风险分层、诊断、治疗及预后预测中的变革性应用，推动精准医疗时代到来。

肝细胞癌（HCC）是全球癌症相关死亡的主要原因之一。随着乙肝疫苗的普及和直接抗病毒药物的应用，肝细胞癌的全球疾病谱已从病毒性肝炎为主转向非病毒性病因。然而，成功的抗病毒治疗并不能完全消除肝癌发生风险，这凸显了对更有效监测策略的迫切需求。目前，临床采用的每半年一次的超声联合甲胎蛋白（AFP）筛查方法[1]，对早期肝癌的检出灵敏度欠佳，尤其在肥胖或非病毒性肝病患者中表现更不理想。肝癌起病隐匿、进展迅速，多数患者确诊时已处于中晚期，加之其高度异质性和风险因素的动态变化，使得个体化风险评估极具挑战，亟需一种更具成本效益且可靠的监测手段。

在治疗方面，巴塞罗那临床肝癌分期系统为肝癌治疗提供了基本框架，但在中期肝癌等“灰色地带”，治疗决策仍存在诸多争议。尽管酪氨酸激酶抑制剂（TKIs）和免疫检查点抑制剂（ICIs）的出现极大地改变了肝癌的治疗格局，但患者反应率参差不齐，且面临药物耐药和不良反应等挑战，凸显了制定个体化治疗策略的必要性。在此背景下，人工智能技术通过处理复杂的非线性关系、挖掘临床数据中的隐藏模式，展现出超越传统统计方法的强大潜力，为应对上述挑战提供了革命性的工具。近期发表于Gut and Liver的一篇综述，系统梳理了人工智能在肝癌“诊断、治疗、预后”全链条中的应用进展[2] 。该文指出，人工智能不仅能通过分析影像、病理和多组学数据提升诊断精度、发现新型生物标志物，更能助力临床医生为患者量身定制治疗方案，最终优化预后。本文对该综述进行深度解析，以期为临床医生和研究者提供有价值的参考。

研究结果

一、肝癌风险分层与筛查

人工智能通过整合临床数据、影像及多组学信息，显著提升了个体化肝癌风险评估的准确性。

肝纤维化无创评估：肝纤维化是肝癌发生的重要风险因素。传统无创检测（NITs）的截断值不够灵活，无法适应患者的异质性。而人工智能模型表现优异。例如，基于深度学习放射组学的弹性成像技术，诊断肝硬化（AUC=0.97）和晚期纤维化（AUC=0.98）的准确率几乎与肝穿刺活检相当，超越了肝脏硬度测量（LSM）和传统血清生物标志物。

肝癌风险预测模型：多项研究证实了人工智能模型的优越性。一项针对慢性乙型肝炎（CHB）患者的研究显示，基于10个临床变量的梯度提升模型在预测肝癌风险方面，训练集和验证集的AUC达0.79-0.81。在处理随时间变化的纵向数据时，循环神经网络模型比传统回归模型表现更佳。针对丙型肝炎（HCV）治愈后患者，研究者开发的决策树模型成功整合临床数据和基因组学，有效识别了仍存在肝癌高风险的人群。此外，结合临床数据和身体成分参数的梯度提升模型PLAN-B-DF，在CHB患者中实现了优于传统模型的风险分层。

二、 肝癌诊断

人工智能在影像学和病理学诊断领域均取得了突破性进展，有效减少了诊断变异性和人为误差。

放射学诊断：超声诊断准确率高度依赖操作者经验，一项荟萃分析显示其灵敏度仅为59%-78%。人工智能模型则能自动提取人眼无法识别的细微影像特征。一项研究构建的CNN模型在利用B超图像区分肝结节（包括肝癌、转移瘤、囊肿和血管瘤）时，其肿瘤鉴别准确率（89.1%）显著超过临床专家（67.3%）。在CT和MRI领域，人工智能同样表现出色。有研究建立的深度学习系统在MRI上识别肝癌的速度比放射科医生快6倍，且在验证集中实现了87%的灵敏度和93%的特异度。对于与肝癌复发高度相关的微血管侵犯，基于CT和MRI的深度学习模型预测AUC值超过0.90。

数字病理学：人工智能能够捕捉光学显微镜下易被忽略的细微组织学变化。深度学习模型可直接从H&E染色的病理切片中预测肝癌风险，甚至能区分包括肝癌在内的五种肝脏结节病变，总体AUROC高达0.935，极大地减轻了病理科医生的工作负担，尤其在缺乏专科病理医生的地区价值显著。

三、肝癌治疗

人工智能在指导个体化治疗决策方面展现出巨大潜力，覆盖从抗病毒治疗到手术、局部及系统治疗的全过程。

抗病毒治疗：对于CHB患者，PLAN-S等机器学习模型有助于选择一线抗病毒药物以最大程度降低肝癌风险。对于接受直接抗病毒药物治疗失败的丙肝患者，极限梯度提升（XGBoost）模型能成功识别出70%存在治疗失败风险的患者，其预测能力优于传统回归模型。

手术与消融：针对早期肝癌是选择手术切除还是消融治疗的争议，人工智能提供了新的决策依据。基于超声造影的放射组学特征与接受射频消融或手术切除患者的无进展生存期密切相关。此外，基于深度学习的3D定量肿瘤总负荷可作为预测术后早期复发的生物标志物，有助于对BCLC A/B期患者进行更精细的亚分类。

肝动脉化疗栓塞：对于中期肝癌患者，利用治疗前CT图像的深度学习模型在预测肝动脉化疗栓塞治疗反应方面表现出色，AUC值高达0.97。

分子靶向治疗：针对仑伐替尼等靶向药物，整合临床变量和血管生成相关细胞因子的决策树生存模型，在预测不可切除肝癌患者治疗反应时AUC可达0.906。同样，机器学习放射组学模型预测仑伐替尼单药疗效的AUC也达到了0.93。

免疫治疗：鉴于免疫治疗的费用和应答率（PD-1抑制剂单药约20%，联合用药约30%），筛选获益人群至关重要。机器学习模型已被证实能有效预测接受免疫治疗的晚期肝癌患者的死亡率。尤为值得关注的是，基于聚类约束注意力多实例学习的病理学模型，不仅能自动分析全切片图像，还能预测与免疫治疗反应相关的基因信号激活。

肝移植：人工智能模型结合实时临床数据与定量组织学/放射组学特征，可为肝移植候选者的选择提供客观的风险评估。有研究利用基于机器学习的算法模拟随机对照试验，证实活体肝移植相比公民逝世后器官捐献肝移植，能带来10.3%的10年预期生存获益。

四、 肝癌预后预测

与传统Cox回归模型相比，人工智能算法（如随机生存森林、XGBoost生存分析等）不受比例风险假设的限制，能更灵活地处理复杂的交互作用和时间变化的协变量，从而实现更精准的预后判断。例如，基于深度学习的组织学切片模型预测肝癌切除或消融术后生存期的表现，优于仅依赖临床变量的模型。

图1 人工智能在 HCC 、 HCC 、肝细胞癌等疾病中的应用

总结

本综述系统性地描绘了人工智能在肝细胞癌诊疗全过程中的变革性蓝图。其核心价值在于，人工智能通过整合多维数据，不仅提升了从风险筛查、早期诊断到治疗决策、预后判断等各个环节的精准度，更在解决传统诊疗模式中的“灰色地带”和个体异质性难题上展现出独特优势。尤其是人工智能驱动的多组学分析，正在加速新型生物标志物和药物靶点的发现，为推进肝癌的精准医疗注入了强劲动力。

然而，综述也清醒地指出，当前人工智能在肝癌领域的应用仍面临诸多挑战，如缺乏高质量的前瞻性外部验证、模型“黑箱”性质导致的可解释性不足、以及数据标准化缺失等问题。未来，发展可解释的人工智能、构建整合多模态数据的人工智能模型、以及自动化机器学习流程，将是推动这些强大工具从实验室研究平稳过渡到日常临床实践的关键。尽管前路漫漫，但随着技术的不断演进，人工智能必将开创肝病学数据驱动医疗的新时代。

参考文献：

[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.

审批编号：CN-184413有效期至：2027/5/19
本材料由阿斯利康提供，仅供医疗卫生专业人士参考

*此文仅用于向医疗卫生专业人士提供科学信息，不代表平台立场。