肝硬化是由各種類型的慢性肝炎進展而來的疾病狀態(tài)，其特點包括肝臟結構纖維化、血管生成、內(nèi)皮功能障礙和門靜脈壓力升高

。肝硬化初期肝臟會維持代償功能，超過肝臟代償能力后轉為失代償性肝硬化

。肝硬化組織學的進展也與門脈高壓的進展平行，肝靜脈壓力梯度(hepatic venous pressure gradient，HVPG)≥10 mmHg為臨床顯著門靜脈高壓(clinically significant portal hypertension，CSPH)，此壓力閾值以下，通常不會發(fā)生胃食管靜脈曲張和肝硬化失代償

。因此，肝硬化的臨床病程包括無食管靜脈曲張、食管靜脈曲張代償、失代償腹水、失代償靜脈曲張出血及感染和腎功能衰竭。

肝纖維化和肝硬化傳統(tǒng)通過肝活檢診斷，為了避免侵入性檢查，許多研究已經(jīng)提出了多種非侵入性診斷工具(評分、公式和成像方法)，如超聲、電子計算機斷層掃描(computed tomography，CT)、核磁共振成像(magnetic resonance imaging，MRI)、谷草轉氨酶(aspartate aminotransferase，AST)-谷丙轉氨酶比率、AST-血小板比值指數(shù)、瞬時彈性成像、FIB-4指數(shù)等進行肝纖維化分級的能力均已在不同類型肝炎中驗證。超聲通常是評估疑似肝纖維化和肝硬化的首要檢查方法，多普勒超聲還可以通過測量門靜脈直徑來檢測門靜脈高壓；肝臟中的纖維化決定了肝臟彈性的降低或剛度的增加，瞬時彈性成像可評估肝臟組織的硬度；CT圖片中的脾大、側支靜脈循環(huán)、門靜脈增寬、肝臟形態(tài)改變可用于輔助診斷肝硬化和門靜脈高壓；MRI也可顯示肝臟結節(jié)、裂隙增寬、纖維化形成、脾大、門靜脈擴張等。

人工智能(artificial intelligence，AI)通過模擬人類智能完成一系列任務，可分為傳統(tǒng)AI(如傳統(tǒng)機器學習)和深度學習(基于神經(jīng)網(wǎng)絡結構)；傳統(tǒng)機器學習需要人工標記不同的特征，而深度學習能在無標簽的情況下訓練，自動提取不同類別圖片的特征，無需人工提取特征，不過深度學習也需要更多的樣本才能訓練出穩(wěn)定的模型

。近年來，隨著AI在醫(yī)學領域應用的飛速發(fā)展，AI也被廣泛用于肝硬化及其相關疾病的診斷。本文主要總結AI在肝硬化及其并發(fā)癥診斷中的應用進展。

在農(nóng)村地區(qū)，這種情況可以逆轉。在自然狀態(tài)下的木材存活和生長時釋放VOCs;林地和森林中的空氣可以比許多室內(nèi)環(huán)境具有更高的濃度。

1 診斷門靜脈高壓

測量門靜脈壓力通常需要通過外周靜脈穿刺，有創(chuàng)測壓風險大、費用高，且肝硬化患者多有凝血功能下降和血小板減少的問題，出血的風險相應升高，因此許多研究均在尋找無創(chuàng)測壓方法，AI也被用于診斷門靜脈高壓。

根據(jù)METAVIR評分系統(tǒng)，肝纖維化可分為5個等級：F0：無纖維化；F1：匯管區(qū)纖維化，無纖維間隔形成；F2：匯管區(qū)纖維化和少量纖維間隔形成；F3：大量纖維間隔形成但無肝硬化；F4：肝硬化。F2以上被定義為顯著纖維化

。然而穿刺活檢屬于有創(chuàng)檢查，且醫(yī)師之間診斷一致性不佳，因此，多種檢查手段結合深度學習算法已經(jīng)被應用于肝纖維化診斷和分期

。

本橋梁工程采用雙向四車道高速公路標準，設計時速100km/h，橋面寬25.4m，結構物設計荷載為Ⅰ級，設計安全等級為一級，標準跨徑30m單幅橋梁為四片，梁間距2.719m，預制梁高1.5m。本橋梁位于直線段上，左右幅均為1.5%橫坡，橋梁樁基由鉆孔灌注樁變更為人工挖孔灌注樁，承臺基礎采用圓孔挖孔灌注，持力層主要是中等風化灰?guī)r。

2 診斷靜脈曲張

電子食管胃鏡是診斷食管胃底靜脈曲張的金標準，但電子食管胃鏡屬于侵入性檢查，患者耐受程度差，檢查費用高。并且一部分肝硬化患者尚未形成靜脈曲張，因此需要一種非侵入方法將有靜脈曲張與無靜脈曲張的肝硬化患者區(qū)分開，使無靜脈曲張的患者不必接受電子食管胃鏡檢查。近來已有很多研究嘗試使用AI根據(jù)患者檢查檢驗資料預測靜脈曲張。

指音之適中和清實。古琴演奏非常強調(diào)手指的內(nèi)在力量，撥、挑、揉等動作都需要力量的集中爆發(fā)，方能使琴聲蒼勁、幽遠，同時手腕要輕松自如，跟隨琴意運動，要做到指上有音，就好像琴聲從手指自然的流淌出來。與此同時，作者在蒼勁幽遠的琴聲中，將人性解放出來，重新復歸于自然，這種“自然”恰恰是道家思想的核心。道家崇尚自然，主張清靜無為，提倡道法自然，與自然和諧相處。這種觀點恰恰關注琴本身對人的影響，“寄情于琴”同時寄情于自然。

Wang等使用了來自12家醫(yī)院的398例慢性乙肝纖維化患者的1 990張彈性成像圖片，訓練深度學習模型評估肝纖維化程度。模型在≥F2、≥F3和F4三個類別中診斷的

均高于0.85。與其他生物標志物(AST、AST-血小板比值指數(shù))相比，彈性成像結合深度學習在預測肝纖維化階段方面表現(xiàn)最佳

。Ruan等

在一項多中心研究中使用一種改良的基于深度學習的方法，利用超聲圖片進行肝纖維化分期。模型預測≥F2的

(95

)為0.92(0.87～0.96)，F(xiàn)4的

(95

)為0.89(0.83～0.95)，且模型診斷≥F2的準確度優(yōu)于三位超聲醫(yī)師。Xue等使用基于多模態(tài)的遷移學習模型，結合灰度和彈性成像的信息進行肝硬化分級。遷移學習將在大數(shù)據(jù)集上訓練的網(wǎng)絡轉移到其他相關任務上，避免了傳統(tǒng)深度學習中由于訓練數(shù)據(jù)不足而導致的過擬合問題。遷移學習的準確度高于非遷移學習，使用多模態(tài)超聲圖像的準確度大于僅使用單模態(tài)超聲圖像

。

3 肝纖維化分級

“你講的也許沒錯，可是這對我來說卻是一個錯誤。你知道當年和我一起值班，看見盜賊逃跑，后來被開除的那個年輕人在哪里，他現(xiàn)在過得怎樣了嗎？”

Qi等開發(fā)了使用CT血管造影圖片估計HVPG的深度學習模型(虛擬HVPG)，用于無創(chuàng)診斷門靜脈高壓。研究者在3個中心前瞻性招募了102例肝硬化患者驗證，這些患者均接受了經(jīng)頸靜脈 HVPG 測量、多普勒超聲和CT血管造影，其中29例患者的數(shù)據(jù)用于訓練模型，73例患者的數(shù)據(jù)用于前瞻性驗證模型。虛擬HVPG診斷門靜脈高壓的受試者工作特征曲線下面積(

)為0

89(95

：0.81～0.96)，且虛擬HVPG與真實HVPG之間具有較好的相關性(

=0

61，

<0.001)

。另外，他們還分別使用肝脾的MRI和增強CT血管造影圖片訓練了兩個深度卷積神經(jīng)網(wǎng)絡(deep convolutional neural network，DCNN)模型，用于識別門靜脈高壓患者，其中基于CT的模型

為0

93(95

：0.88～0.98)，基于MRI模型的

為0

94(95

：0.88～0.99)，為臨床早期篩查和診斷門靜脈高壓提供了一種無創(chuàng)檢測方法

。Marozas等

使用人口統(tǒng)計學、實驗室檢查和瞬時彈性成像數(shù)據(jù)訓練了不同模型用于無創(chuàng)診斷HVPG，其中深度學習模型的效果最佳，診斷HVPG≥10 mmHg的準確度達到了89.72%，

為0.96。Liu等

使用222例肝硬化患者的增強CT圖片訓練了診斷CSPH的深度學習模型，在4個外部前瞻性隊列中，模型的一致性指數(shù)全部高于0.80。

Abd El-Salam等

使用4 962例丙肝患者的臨床資料，比較了6種算法預測食管靜脈曲張的準確度，其中貝葉斯網(wǎng)絡具有最好的性能，性別、血小板、白蛋白、總膽紅素、肝脾硬度、凝血酶原濃度等是靜脈曲張最重要的預測因素。Dong等

使用隨機森林算法識別肝硬化患者中需治療的靜脈曲張。他們收集了238例肝硬化患者的臨床數(shù)據(jù)，使用算法評分，在測試集中，評分低于3.90將使30.5%的低風險患者不必接受電子食管胃鏡檢查，僅遺漏2.8%的患者需治療食管靜脈曲張。Huang等

使用CT 圖像訓練深度學習模型預測代償期肝硬化患者的食管胃底靜脈曲張及高危靜脈曲張。在前瞻性32例肝硬化患者中，模型可以準確預測食管胃底靜脈曲張及高危靜脈曲張，

分別為0.87(95%

：0

73～1

00)和0

83(95

：0.68～0.97)。在食管胃鏡檢查過程中，深度學習算法同樣可以幫助醫(yī)師診斷需要治療的靜脈曲張。Chen等訓練了一個名為 ENDOANGEL的實時DCNN系統(tǒng)，用于在胃鏡檢查過程中檢測食管胃底靜脈曲張并識別其破裂的危險因素。DCNN 在檢測食管胃底靜脈曲張、識別大尺寸的胃食管靜脈曲張和紅色征方面遠超內(nèi)鏡醫(yī)師。DCNN將幫助內(nèi)鏡醫(yī)師更客觀、準確地評估胃食管靜脈曲張的破裂風險

。Tseng等

開發(fā)了基于CT的AI模型，用于預測肝硬化患者接受胃食管靜脈曲張治療的效果、復發(fā)率，回顧性生存分析也驗證了模型的準確度。

CT紋理分析(CT texture analysis，CTTA)是通過分析醫(yī)學圖像中像素的特征和分布，提取肉眼難以識別的紋理特征，可用于揭示肝臟疾病的生理學和病理學特征。Budai等

提取了30例肝纖維化患者CT圖片中的354個CT紋理特征，分別使用隨機森林算法和支持向量機構建了基于CTTA的模型，隨機森林算法的模型在預測纖維化等級方面的

為0.90，高于支持向量機。Son等還使用CT圖片中的肝脾體積評估肝纖維化的嚴重程度。他們使用了一種基于三維U-Net的卷積神經(jīng)網(wǎng)絡，將肝臟和脾臟分成多個片段，用微積分法計算肝脾的體積。然后分別評估了肝脾體積指標(脾體積、肝體積、脾體積/肝體積)診斷纖維化嚴重程度的能力。脾體積/肝體積診斷晚期纖維化、肝硬化和失代償性肝硬化的

分別為0.82、0.85和0.88，優(yōu)于僅使用脾體積、肝體積的準確度

。Zou等訓練算法自動識別CT圖片中的身體成分，并在前瞻性隊列中驗證哪些成分變化與肝硬化患者預后相關，模型預測死亡率的準確度顯著優(yōu)于單獨使用終末期肝病模型

。

Ahmed等使用機器學習從標記的MRI圖像中檢測肝纖維化，醫(yī)師手動描繪肝臟邊界后，模型通過分析心臟引起的肝臟變形計算即峰值應變值的直方圖，最后分析直方圖將肝臟分為正?；蚶w維化，該模型在測試集中達到了83.7%的準確度

。

Wei等

使用慢性乙型肝炎患者的臨床資料預測其肝纖維化逆轉，他們發(fā)現(xiàn)AST-血小板比值指數(shù)、白細胞、膽堿酯酶、肝臟硬度測量、丙氨酸氨基轉移酶和性別是逆轉的最關鍵預測因子。人工神經(jīng)網(wǎng)絡模型和邏輯回歸模型預測肝纖維化逆轉的

分別為0.80和0.75。Obeid評估了3種不同模型(DCNN模型、貝葉斯模型和隨機森林)識別電子健康記錄中的肝硬化患者的效果，其中DCNN模型識別肝硬化的效果最好，

達到了0.99

。Guo等使用了34 575例肝硬化患者的電子健康記錄數(shù)據(jù)訓練模型預測肝硬化患者365 d、180 d和90 d死亡率，并比較了不同深度學習和機器學習算法的準確度，其中DCNN模型的性能最佳，并且使用所有變量的模型性能顯著優(yōu)于僅使用終末期肝病中4個變量的模型

。

4 總結和展望

隨著AI在醫(yī)療領域的應用不斷深入，AI已逐漸成為醫(yī)師診斷肝硬化、進行門靜脈壓力分級和診斷門脈高壓并發(fā)癥的重要參考。但目前用于開發(fā)肝硬化相關模型的數(shù)據(jù)庫大多是回顧性的且數(shù)據(jù)量較小，導致難以比較不同文章的模型的性能。此外，在診斷病毒性肝炎肝纖維化時，AI可能會受人種影響，這將會在未來使用時造成偏倚。因此，開展納入不同人種、多中心、前瞻性的臨床試驗驗證模型十分必要。多篇文章均比較了不同算法完成任務的準確度，且深度學習模型常表現(xiàn)更佳。但深度學習算法是“黑盒”模型，醫(yī)師不能了解其決策過程，阻礙了深度學習模型在臨床上的使用。因此，未來的研究可嘗試使用可解釋算法解釋深度學習模型的決策邏輯，加快深度學習在臨床上的應用。總之，無論是在與影像學、食管電子胃鏡還是實驗室檢查資料結合方面，AI均在快速發(fā)展，為肝硬化及其并發(fā)癥提供新的診斷和分級思路。

[1] Tsochatzis EA, Bosch J, Burroughs AK. Liver cirrhosis [J]. Lancet, 2014, 383: 1749-1761. DOI: 10.1016/S0140-6736(14)60121-5.

[2] Fernández M, Semela D, Bruix J, et al. Angiogenesis in liver disease [J]. J Hepatol, 2009, 50(3): 604-620. DOI: 10.1016/j.jhep.2008.12.011.

[3] Ginès P, Krag A, Abraldes JG, et al. Liver cirrhosis [J]. Lancet, 2021, 398(10308): 1359-1376. DOI: 10.1016/s0140-6736(21)01374-x.

[4] Parola M, Pinzani M. Liver fibrosis: pathophysiology, pathogenetic targets and clinical issues [J]. Mol Aspects Med, 2019, 65: 37-55. DOI: 10.1016/j.mam.2018.09.002.

[5] García-Pagán JC, Gracia-Sancho J, Bosch J. Functional aspects on the pathophysiology of portal hypertension in cirrhosis [J]. J Hepatol, 2012, 57(2): 458-461. DOI: 10.1016/j.jhep.2012.03.007.

[6] Dick S. Artificial intelligence [J]. Harvard Data Science Review, 2019： 1-9. DOI: 10.1162/99608f92.92fe150c.

[7] Usama M, Qadir J, Raza A, et al. Unsupervised machine learning for networking: techniques, applications and research challenges [J]. IEEE Access, 2019, 7: 65579-65615.DOI: 10.1109/ACCESS.2009.2916648.

[8] Zhang XD. Machine learning [M]//A Matrix Algebra Approach to Artificial Intelligence. Singapore: Springer, 2020: 223-440.

[9] Qi X, An W, Liu F, et al. Virtual hepatic venous pressure gradient with CT angiography (CHESS 1601): a prospective multicenter study for the noninvasive diagnosis of portal hypertension [J]. Radiology, 2019, 290(2): 370-377. DOI: 10.1148/radiol.2018180425

[10] Liu Y, Ning Z, ?rmeci N, et al. Deep convolutional neural network-aided detection of portal hypertension in patients with cirrhosis [J]. Clin Gastroenterol Hepatol, 2020, 18(13): 2998-3007.e5. DOI: 10.1016/j.cgh.2020.03.034.

[11] Marozas M, Zykus R, Sakalauskas A, et al. Noninvasive evaluation of portal hypertension using a supervised learning technique [J]. J Healthc Eng, 2017, 2017: 6183714. DOI: 10.1155/2017/6183714.

[12] Liu F, Ning Z, Liu Y, et al. Development and validation of a radiomics signature for clinically significant portal hypertension in cirrhosis (CHESS1701): a prospective multicenter study [J]. EBioMedicine, 2018, 36: 151-8. DOI: 10.1016/j.ebiom.2018.09.023.

[13] Abd El-Salam SM, Ezz MM, Hashem S, et al. Performance of machine learning approaches on prediction of esophageal varices for Egyptian chronic hepatitis C patients [J]. Informatics in Medicine Unlocked, 2019, 17: 100267. DOI: 10.1016/j.imu.2019.100267.

[14] Dong TS, Kalani A, Aby ES, et al. Machine learning-based development and validation of a scoring system for screening high-risk esophageal varices [J]. Clin Gastroenterol Hepatol, 2019, 17(9): 1894-1901.e1. DOI: 10.1016/j.cgh.2019.01.025.

[15] Huang Y, Huang F, Yang L, et al. Development and validation of a radiomics signature as a non-invasive complementary predictor of gastroesophageal varices and high-risk varices in compensated advanced chronic liver disease: a multicenter study [J]. J Gastroenterol Hepatol, 2021, 36(6): 1562-1570. DOI: 10.1111/jgh.15306.

[16] Chen M, Wang J, Xiao Y, et al. Automated and real-time validation of gastroesophageal varices under esophagogastroduodenoscopy using a deep convolutional neural network: a multicenter retrospective study (with video) [J]. Gastrointest Endosc, 2020, 93(2): 422-432.e3. DOI: 10.1016/j.gie.2020.06.058.

[17] Tseng Y, Ma L, Li S, et al. Application of CT-based radiomics in predicting portal pressure and patient outcome in portal hypertension [J]. Eur J Radiol, 2020, 126: 108927. DOI: 10.1016/j.ejrad.2020.108927.

[18] Regev A, Berho M, Jeffers LJ, et al. Sampling error and intraobserver variation in liver biopsy in patients with chronic HCV infection [J]. Am J Gastroenterol, 2002, 97(10): 2614-2618. DOI: 10.1111/j.1572-0241.2002.06038.x.

[19] Husain A, Chiwhane A, Kirnake V. Non-invasive assessment of liver fibrosis in alcoholic liver disease [J]. Clin Exp Hepatol, 2020, 6(2): 125-130. DOI: 10.5114/ceh.2020.95739.

[20] Rousselet MC, Michalak S, Dupré F, et al. Sources of variability in histological scoring of chronic viral hepatitis [J]. Hepatology, 2005, 41(2): 257-264. DOI: 10.1002/hep.20535.

[21] Wang K, Lu X, Zhou H, et al. Deep learning Radiomics of shear wave elastography significantly improved diagnostic performance for assessing liver fibrosis in chronic hepatitis B: a prospective multicentre study [J]. Gut, 2019, 68(4): 729-741. DOI: 10.1136/gutjnl-2018-316204.

[22] Ruan D, Shi Y, Jin L, et al. An ultrasound image-based deep multi-scale texture network for liver fibrosis grading in patients with chronic HBV infection [J]. Liver Int, 2021, 41(10): 2440-2454. DOI: 10.1111/liv.14999.

[23] Xue LY, Jiang ZY, Fu TT, et al. Transfer learning radiomics based on multimodal ultrasound imaging for staging liver fibrosis [J]. Eur Radiol, 2020, 30(5): 2973-2983. DOI: 10.1007/s00330-019-06595-w.

[24] Budai BK, Tóth A, Borsos P, et al. Three-dimensional CT texture analysis of anatomic liver segments can differentiate between low-grade and high-grade fibrosis [J]. BMC Med Imaging, 2020, 20(1): 108. DOI: 10.1186/s12880-020-00508-w.

[25] Son JH, Lee SS, Lee Y, et al. Assessment of liver fibrosis severity using computed tomography-based liver and spleen volumetric indices in patients with chronic liver disease [J]. Eur Radiol, 2020, 30(6): 3486-3496. DOI: 10.1007/s00330-020-06665-4.

[26] Zou WY, Enchakalody BE, Zhang P, et al. Automated measurements of body composition in abdominal CT scans using artificial intelligence can predict mortality in patients with cirrhosis [J]. Hepatol Commun, 2021, 5(11): 1901-1910. DOI: 10.1002/hep4.1768.

[27] Ahmed Y, Hussein RS, Basha TA, et al. Detecting liver fibrosis using a machine learning-based approach to the quantification of the heart-induced deformation in tagged MR images [J]. NMR Biomed, 2020, 33(1): e4215. DOI: 10.1002/nbm.4215.

[28] Wei W, Wu X, Zhou J, et al. Noninvasive evaluation of liver fibrosis reverse using artificial neural network model for chronic hepatitis B patients [J]. Comput Math Methods Med, 2019, 2019: 7239780. DOI: 10.1155/2019/7239780.

[29] Obeid JS, Khalifa A, Xavier B, et al. An AI approach for identifying patients with cirrhosis [J]. J Clin Gastroenterol, 2021. DOI: 10.1097/MCG.0000000000001586.

[30] Guo A, Mazumder NR, Ladner DP, et al. Predicting mortality among patients with liver cirrhosis in electronic health records with machine learning [J]. PLoS One, 2021, 16(8): e0256428. DOI: 10.1371/journal.pone.0256428.