摘要： 隨著人工智能技術(shù)的發(fā)展，機器學(xué)習(xí)在醫(yī)療健康領(lǐng)域中展現(xiàn)出巨大的應(yīng)用潛力。機器學(xué)習(xí)通過對患者的臨床特征、血液檢驗、影像學(xué)檢查等數(shù)據(jù)進行綜合分析，建立相應(yīng)的數(shù)學(xué)模型，以實現(xiàn)對疾病的診斷、治療及病情評估的預(yù)測，指導(dǎo)疾病的管理。本文結(jié)合最新的研究成果，綜述了機器學(xué)習(xí)在慢性丙型肝炎中的應(yīng)用情況及研究進展。

關(guān)鍵詞： 丙型肝炎， 慢性； 機器學(xué)習(xí)； 診斷； 治療學(xué)

基金項目： 首都醫(yī)科大學(xué)附屬北京佑安醫(yī)院2022年度院內(nèi)中青年人才孵育項目（BJYAYY-YN2022-08）

Application of machine learning in the diagnosis and treatment of chronic hepatitis CHAN Hua 1 ， DUAN Zhongping 2a ， WANG Yang 2b

1. Department of Internal Medicine， North China Electric Power University Hospital， Beijing 102206， China； 2. a. FourthDepartment of Liver Diseases， b. Department of Medical Oncology， Beijing YouAn Hospital， Capital Medical University， Beijing100069， China

Corresponding author： WANG Yang， wangyangdoc@126.com （ORCID： 0000-0002-7631-1660）

Abstract： With the development of artificial intelligence， machine learning has shown great potential in the field of medical health.Machine learning conducts a comprehensive analysis of patient data including clinical features， blood tests， and imagingexaminations and establishes corresponding mathematical models to achieve the diagnosis and treatment of diseases and theprediction of disease conditions， thereby guiding disease management. With reference to the latest research findings， this articlereviews the application of machine learning in chronic hepatitis C and related research advances.

Key words： Hepatitis C， Chronic； Machine Learning； Diagnosis； Therapeutics

Research funding： Scientific Research Project of Beijing YouAn Hospital， CCMU， 2022 （BJYAYY-YN2022-08）

目前，全球約有 1. 13 億 HCV 感染者，其中 70%～80% 的急性 HCV 感染者會進展為慢性攜帶者，10%～20%的慢性HCV感染者會出現(xiàn)肝硬化、肝功能衰竭或肝細(xì)胞癌［1］。HCV感染具有隱匿性，發(fā)展速度慢［2］，導(dǎo)致診斷率不足20%。傳統(tǒng)的HCV診斷依賴于血清學(xué)檢測和聚合酶鏈?zhǔn)椒磻?yīng)技術(shù)，早期感染預(yù)警存在假陰性可能。盡管直接抗病毒藥物（direct antiviral agent，DAA）在治療上極大地提高了治愈率，但目前丙型肝炎的早期診斷率低，導(dǎo)致患者知曉、接受治療的比例偏低。隨著機器學(xué)習(xí)對醫(yī)學(xué)的賦能，利用大數(shù)據(jù)和高級算法，可以在疾病的早期診斷、療效評估及預(yù)后等方面協(xié)助長期管理。本文旨在概述機器學(xué)習(xí)技術(shù)在慢性丙型肝炎診斷、治療和預(yù)后中應(yīng)用的研究進展。

1 機器學(xué)習(xí)概述

機器學(xué)習(xí)作為人工智能的一種形式，是使計算機具備學(xué)習(xí)能力的技術(shù)，通過數(shù)據(jù)學(xué)習(xí)和算法對未出現(xiàn)的情況作出預(yù)測［3］ 。根據(jù)訓(xùn)練方法的模式，機器學(xué)習(xí)分為無監(jiān)督式學(xué)習(xí)、監(jiān)督式學(xué)習(xí)、半監(jiān)督式學(xué)習(xí)和強化學(xué)習(xí)［4］ 。無監(jiān)督式學(xué)習(xí)的一大優(yōu)勢在于其能夠處理大量的非結(jié)構(gòu)化數(shù)據(jù)，如文本、圖像等，而且能夠發(fā)現(xiàn)數(shù)據(jù)內(nèi)的潛在結(jié)構(gòu)和規(guī)律，這對于數(shù)據(jù)預(yù)處理、特征提取以及異常檢測等具有重大意義，其常用的算法有：k-均值法、主成分分析等。監(jiān)督式學(xué)習(xí)適合處理帶注釋的數(shù)據(jù)，通過帶標(biāo)簽的訓(xùn)練數(shù)據(jù)來訓(xùn)練模型，然后用此模型來預(yù)測未知數(shù)據(jù)，多用于圖像識別、語音識別等領(lǐng)域，其常用的算法包括：線性回歸算法、邏輯回歸算法、決策樹、支持向量機、隨機森林、樸素貝葉斯分類和梯度增強等［3］ 。隨機森林和梯度增強是兩種基于決策樹的集成統(tǒng)計方法，可以構(gòu)建分類和回歸預(yù)測模型。半監(jiān)督式學(xué)習(xí)是介于監(jiān)督式學(xué)習(xí)和無監(jiān)督式學(xué)習(xí)之間的一種方法，其利用大量的未標(biāo)記數(shù)據(jù)和少量的標(biāo)記數(shù)據(jù)進行學(xué)習(xí)，降低了人工標(biāo)注的成本，同時提高模型的泛化能力。不同于上述三種主要依賴于數(shù)據(jù)驅(qū)動的方法，強化學(xué)習(xí)側(cè)重于智能體與環(huán)境的交互以學(xué)習(xí)最優(yōu)的行為策略，無需大量標(biāo)注數(shù)據(jù)，而是通過試錯和接收環(huán)境反饋來逐漸優(yōu)化決策過程。

深化學(xué)習(xí)則是機器學(xué)習(xí)的一個子集，其通過深度神經(jīng)網(wǎng)絡(luò)來模擬人類大腦的認(rèn)知功能，構(gòu)建復(fù)雜的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)以實現(xiàn)更高級的學(xué)習(xí)任務(wù)。深化學(xué)習(xí)模型通常包含更多層次，能夠自動提取更加抽象的特征，從而提供更準(zhǔn)確的預(yù)測和分類。機器學(xué)習(xí)方法可以優(yōu)化深化學(xué)習(xí)模型的性能，深化學(xué)習(xí)也擴展了機器學(xué)習(xí)的范疇，使其能夠解決更為困難的問題，例如語音和圖像識別。

不同于傳統(tǒng)統(tǒng)計方法只能處理線性數(shù)據(jù)，機器學(xué)習(xí)可以處理線性和非線性信息，并識別大數(shù)據(jù)中變量和結(jié)果之間的隱藏關(guān)系［5］ 。機器學(xué)習(xí)具有以下優(yōu)勢：（1）高度的數(shù)據(jù)適應(yīng)性，通過機器學(xué)習(xí)模型可以捕捉到數(shù)據(jù)中的非線性關(guān)系和高維特征；（2）能夠處理大規(guī)模數(shù)據(jù)集，便于作出精準(zhǔn)的預(yù)測；（3）通過集成學(xué)習(xí)和深度學(xué)習(xí)等技術(shù)實現(xiàn)復(fù)雜任務(wù)的自動化，從而節(jié)省時間和資源。近些年，機器學(xué)習(xí)已逐漸用于臨床的決策，包括診斷、治療和預(yù)后的評估等。

2 機器學(xué)習(xí)在慢性丙型肝炎診斷中的應(yīng)用

酶聯(lián)免疫吸附測定法雖然具有較高的敏感性，但在感染初期可能會出現(xiàn)假陰性結(jié)果。利用機器學(xué)習(xí)技術(shù)，分析電子健康記錄、問卷預(yù)測、臨床實驗室檢測等數(shù)據(jù)，創(chuàng)建HCV的診斷模型，可以提高丙型肝炎的早期診斷率，并降低其傳播風(fēng)險，有助于縮短慢性感染未經(jīng)治療的時間，進而降低進展風(fēng)險。

Doyle等［6］通過分析美國約1 000萬患者的處方數(shù)據(jù)和縱向醫(yī)療索賠等電子健康記錄數(shù)據(jù)，開發(fā)了預(yù)測模型，來識別未確診的HCV患者。該研究從患者的病史中提取了與HCV相關(guān)的人口統(tǒng)計學(xué)信息、危險因素、癥狀、治療等特征，基于邏輯回歸、隨機森林、梯度增強和集成等算法，從284個特征中確定了46個HCV感染最重要的危險因素。該研究表明，被診斷為HCV的患者在診斷前平均 2～3年表現(xiàn)出已知的 HCV 癥狀。當(dāng)召回率lt;10%時，所有算法的準(zhǔn)確率至少為95%；當(dāng)召回率gt;50%時，集成算法表現(xiàn)最好，準(zhǔn)確率為97%［受試者工作特征曲線下面積（AUC）為0. 96］，而梯度增強樹的精度為87%，邏輯回歸的精度僅為 31%。Elshewey 等［7］ 建立了 hyOPTGB模型，利用梯度增強模型和 OPTUNA 超參數(shù)調(diào)整來預(yù)測埃及的HCV相關(guān)疾病，同時使用前向選擇法來識別數(shù)據(jù)集中的基本特征，采用Min-Max歸一化預(yù)處理技術(shù)將數(shù)據(jù)集的值縮放到固定范圍，準(zhǔn)確率可達 95. 3%。Reiser等［8］ 通過Kohonen人工神經(jīng)網(wǎng)絡(luò)分析了180萬參保者的社會醫(yī)學(xué)數(shù)據(jù)，建立了識別早期HCV感染的自組織圖譜。該網(wǎng)絡(luò)使用從2 544例確診HCV患者亞組中獲得的變量進行訓(xùn)練，排除了與HCV診斷直接相關(guān)的變量，并將訓(xùn)練結(jié)果三維可視化，從而在地圖中探索聚類的分布與特征。這種人工神經(jīng)網(wǎng)絡(luò)方法可以更有效地篩查HCV感染，但預(yù)測模型還需要額外的研究進一步驗證。

對于無癥狀人群，可以通過針對性的問卷數(shù)據(jù)識別HCV 感染。Butaru 等［9］ 使用 12 項問卷建立了用來預(yù)測HCV感染的深度人工神經(jīng)網(wǎng)絡(luò)（deep artificial neural network，DANN），DANN預(yù)測器與第三代快速HCV抗體測試報告的特異度和陰性預(yù)測值分別為99. 7% vs 99. 7%和99. 2% vs99. 99%，可以將其推廣為資源有限的高流行環(huán)境中排除HCV感染的快速低成本工具。

基于常規(guī)血液檢測數(shù)據(jù)，利用機器學(xué)習(xí)來預(yù)測丙型肝炎，可以提高患者的確診率和接受治療的比例。一項基于患者血液檢查的 HCV 發(fā)病分類概率自動分類器研究［10］ ，通過結(jié)合隨機森林和邏輯回歸的級聯(lián)兩階段混合算法，再利用人工蜂群算法確定濾波分離所需的最優(yōu)閾值，建立了HCV檢測模型，準(zhǔn)確率最高達94. 5%。Alizargar等［11］利用美國國家衛(wèi)生與營養(yǎng)檢查調(diào)查數(shù)據(jù)庫，比較了各種機器學(xué)習(xí)算法在預(yù)測丙型肝炎方面的性能，支持向量機和XGBoost技術(shù)具有較高的準(zhǔn)確率（AUCgt;80%），可以作為基于血液檢測數(shù)據(jù)預(yù)測丙型肝炎的有效工具。

該研究還確定了丙氨酸轉(zhuǎn)氨酶、白蛋白、堿性磷酸酶、天冬氨酸轉(zhuǎn)氨酶、總膽紅素、膽固醇、膽堿酯酶、γ-谷氨酰轉(zhuǎn)移酶、血肌酐、性別和年齡等變量在診斷中的重要性。

3 機器學(xué)習(xí)在慢性丙型肝炎治療中的應(yīng)用

DAA的出現(xiàn)徹底改變了HCV感染的治療，90%以上的患者接受治療8或12周后，可以實現(xiàn)持續(xù)病毒學(xué)應(yīng)答（sustained virologic response，SVR），幾乎沒有副作用［12］ 。Chirikov等［13］ 利用反映腎臟和肝臟功能的15個臨床變量以及HCV特征（RNA載量、基因型、耐藥相關(guān)突變）建立了數(shù)學(xué)模型來預(yù)測SVR，在接受DAA治療的隊列中，輸入器顯示外部馬修斯相關(guān)系數(shù)（Matthews correlationcoefficient，MCC）和F1評分分別為0. 98和0. 999，MCC和F1評分都是用于評估二元分類模型性能的常用指標(biāo)。

DAA的治療帶來了革命性的變化，固定時間的DAA治療轉(zhuǎn)變?yōu)閭€體化治療，可以顯著節(jié)約醫(yī)療資源，并為其他病毒感染的抗病毒治療提供啟示。HCV動力學(xué)的數(shù)學(xué)模型為評估抗病毒治療的有效性和估計治療結(jié)果，提供了一種有效手段。Churkin等［14］ 使用模擬體內(nèi)病毒動力學(xué)的雙方程動力學(xué)模型為假設(shè)的HCV感染者創(chuàng)建了HCV RNA載量測量的訓(xùn)練數(shù)據(jù)集，再用該數(shù)據(jù)集訓(xùn)練了一個多層感知回歸器，以預(yù)測DAA治療后病毒轉(zhuǎn)陰的確切時間。將臨床研究的患者數(shù)據(jù)與來自計算機患者的數(shù)據(jù)集相結(jié)合，機器學(xué)習(xí)算法可以幫助處理關(guān)于優(yōu)化治療持續(xù)時間的過程，有助于準(zhǔn)確地預(yù)測丙型肝炎的治愈時間，從而通過個體化抗病毒治療的持續(xù)時間來改變丙型肝炎的治療模式。

Park等［15］ 評估了4個機器學(xué)習(xí)模型的性能，以預(yù)測DAA治療的無應(yīng)答。經(jīng)典的多變量邏輯回歸只能檢查6個臨床和實驗室可能的危險因素，而機器學(xué)習(xí)模型設(shè)法調(diào)查179個人口統(tǒng)計學(xué)和臨床變量作為治療失敗的候選預(yù)測因素。其中，梯度增強是最突出的機器學(xué)習(xí)算法，但該模型的 MCC 和 F1 評分分別為 0. 14 和 0. 15。Haga等［16］ 將從109例SVR和64例非SVR患者中分離的HCV基因組的全長序列納入9個機器學(xué)習(xí)模型，研究結(jié)果表明，支持向量機是最準(zhǔn)確的機器學(xué)習(xí)預(yù)測器，其MCC和F1評分分別為0. 88和0. 94，而且在1 867個基因變異序列中，支持向量機識別出81個導(dǎo)致DAA治療失敗的遺傳變異。Janczewska等［17］ 也開發(fā)了4個機器學(xué)習(xí)模型，通過14 012例患者記錄的36個變量，包括人口統(tǒng)計學(xué)特征和臨床相關(guān)因素，來確定與DAA治療失敗相關(guān)的因素。除此之外，隨機森林分類器達到了最佳的外部性能，準(zhǔn)確率和k統(tǒng)計量約為100%。根據(jù)該模型，控制治療失敗的最重要變量是肝功能、病毒載量和基因型、年齡、身體質(zhì)量指數(shù)、血紅蛋白以及血清肌酐水平。相反，共感染HBV或艾滋病毒、肝外表現(xiàn)和肝細(xì)胞癌共存對治療失敗的影響最小。

4 機器學(xué)習(xí)在慢性丙型肝炎預(yù)后方面的應(yīng)用

肝纖維化分期是丙型肝炎病情管理中評估患者預(yù)后的重要組成部分，機器學(xué)習(xí)技術(shù)可以作為預(yù)測慢性丙型肝炎肝纖維化風(fēng)險的非侵入性方法，以減少肝活檢。Shousha等［18］ 將數(shù)據(jù)挖掘策略和白細(xì)胞介素28B基因分型相結(jié)合，使用比天冬氨酸轉(zhuǎn)氨酶與血小板比值和FIB-4指數(shù)性能更高的神經(jīng)網(wǎng)絡(luò)算法多層感知機（multilayerperceptron，MLP）來預(yù)測HCV患者的晚期纖維化。MLP屬于監(jiān)督神經(jīng)網(wǎng)絡(luò)，是一種通過反向傳播學(xué)習(xí)的多層前饋人工神經(jīng)網(wǎng)絡(luò)模型，對427例慢性丙型肝炎患者白細(xì)胞介素28B基因型和生化標(biāo)志物的回顧性研究顯示，MLP作為最佳分類器來預(yù)測晚期纖維化，其敏感度為0. 825，特異度為0. 811，AUC為0. 880。Hashem等［19］通過39 567例慢性丙型肝炎患者的血清生物標(biāo)志物和臨床信息建立了分類模型，開發(fā)了決策樹、多元線性回歸、粒子群優(yōu)化和遺傳算法，這些算法的準(zhǔn)確率為66. 3%～84. 4%，AUC為0. 73～0. 76，能夠成功預(yù)測慢性丙型肝炎患者的晚期肝纖維化，而且預(yù)測中起重要作用的變量為年齡、血小板計數(shù)、天冬氨酸轉(zhuǎn)氨酶和白蛋白。在長期抗病毒治療肝硬化的慢性丙型肝炎患者隊列中，Konerman等［20］ 利用縱向臨床數(shù)據(jù)和使用邏輯回歸、隨機森林以及梯度增強構(gòu)建的進展模型，預(yù)測纖維化進展（增加≥2個Ishak分期）和肝臟相關(guān)死亡（肝失代償、肝細(xì)胞癌、肝移植或Child-Pugh評分≥7），其AUC分別為0. 79、0. 86和0. 84。納入縱向數(shù)據(jù)的預(yù)測模型可以捕捉慢性丙型肝炎的非線性疾病進展，在不影響風(fēng)險預(yù)測準(zhǔn)確性的情況下合并大量預(yù)測變量，從而克服傳統(tǒng)統(tǒng)計分析形式的局限性。該模型能夠準(zhǔn)確區(qū)分高風(fēng)險和低風(fēng)險患者，敏感度為74%，特異度為78%，陰性預(yù)測值為94%，并且進一步證實對模型預(yù)測能力貢獻最重要的變量是晚期肝病的縱向?qū)嶒炇覙?biāo)志物，包括血小板計數(shù)、天冬氨酸轉(zhuǎn)氨酶與血小板比值和白蛋白的變化。

深度學(xué)習(xí)是一系列使用人工神經(jīng)網(wǎng)絡(luò)的機器學(xué)習(xí)模型，其使用的循環(huán)機制可以幫助捕獲數(shù)據(jù)中的動態(tài)信息，還可以處理具有不同隨訪長度的縱向數(shù)據(jù)。Ioannou等［21］通過使用電子健康記錄中提取的原始縱向數(shù)據(jù)，建立了深度學(xué)習(xí)遞歸神經(jīng)網(wǎng)絡(luò)模型，而且該模型在預(yù)測HCV相關(guān)肝硬化患者發(fā)生肝細(xì)胞癌的風(fēng)險方面優(yōu)于傳統(tǒng)的邏輯回歸算法模型。該研究表明，通過循環(huán)神經(jīng)網(wǎng)絡(luò)模型計算的肝細(xì)胞癌風(fēng)險評分前51%的樣本中，包含80% 的未來 3 年將發(fā)展為肝細(xì)胞癌的患者，而目標(biāo)前66%的樣本包含90%將發(fā)展為肝細(xì)胞癌的患者。

5 展望

早期發(fā)現(xiàn)和治療HCV感染對于成功治療和預(yù)防長期并發(fā)癥至關(guān)重要。機器學(xué)習(xí)技術(shù)能夠幫助識別HCV感染的高風(fēng)險患者并給予個體化的治療方案。機器學(xué)習(xí)在丙型肝炎的應(yīng)用中具有巨大的潛力，然而這些方法也存在一些局限性，比如對大數(shù)據(jù)集的依賴、算法偏見、模型解釋性的限制，以及臨床實踐中技術(shù)實施的挑戰(zhàn)。未來的研究應(yīng)致力于解決這些問題，并進一步驗證這些算法在多樣化人群中的有效性和可擴展性。機器學(xué)習(xí)在丙型肝炎中的應(yīng)用仍然是一個新興領(lǐng)域，需更多的跨學(xué)科合作，通過不斷的方法優(yōu)化，最終實現(xiàn)更高效的健康服務(wù)。

利益沖突聲明： 本文不存在任何利益沖突。

作者貢獻聲明： 王揚負(fù)責(zé)課題設(shè)計，資料分析，擬定寫作思路；韓華負(fù)責(zé)查閱文獻，撰寫論文，修改論文；段鐘平負(fù)責(zé)指導(dǎo)文章撰寫并最后定稿。

參考文獻：

[1] FARRAG AN， KAMEL AM， EL-BARAKY IA. Opportunities and chal?lenges for the application of artificial intelligence paradigms into themanagement of endemic viral infections： The example of chronichepatitis C virus[J]. Rev Med Virol， 2024， 34（2）： e2514. DOI： 10.1002/rmv.2514.

[2] BRUNNER N， BRUGGMANN P. Trends of the global hepatitis C dis?ease burden： Strategies to achieve elimination[J]. J Prev Med Pub?lic Health， 2021， 54（4）： 251-258. DOI： 10.3961/jpmph.21.151.

[3] LE BERRE C， SANDBORN WJ， ARIDHI S， et al. Application of artifi?cial intelligence to gastroenterology and hepatology[J]. Gastroen?terology， 2020， 158（1）： 76-94. DOI： 10.1053/j.gastro.2019.08.058.

[4] NADIF M， ROLE F. Unsupervised and self-supervised deep learningapproaches for biomedical text mining[J]. Brief Bioinform， 2021， 22（2）： 1592-1603. DOI： 10.1093/bib/bbab016.

[5] HASSABIS D， KUMARAN D， SUMMERFIELD C， et al. Neuroscience-inspired artificial intelligence[J]. Neuron， 2017， 95（2）： 245-258. DOI：10.1016/j.neuron.2017.06.011.

[6] DOYLE OM， LEAVITT N， RIGG JA. Finding undiagnosed patientswith hepatitis C infection： An application of artificial intelligence topatient claims data[J]. Sci Rep， 2020， 10（1）： 10521. DOI： 10.1038/s41598-020-67013-6.

[7] ELSHEWEY AM， SHAMS MY， TAWFEEK SM， et al. Optimizing HCVdisease prediction in Egypt： The hyOPTGB framework[J]. Diagnos?tics， 2023， 13（22）： 3439. DOI： 10.3390/diagnostics13223439.

[8] REISER M， WIEBNER B， HIRSCH J， et al. Neural-network analysis ofsocio-medical data to identify predictors of undiagnosed hepatitis Cvirus infections in Germany （DETECT）[J]. J Transl Med， 2019， 17（1）： 94. DOI： 10.1186/s12967-019-1832-4.

[9] BUTARU AE， M?MULEANU M， STREBA CT， et al. Resource man?agement through artificial intelligence in screening programs-key forthe successful elimination of hepatitis C[J]. Diagnostics， 2022， 12（2）：346. DOI： 10.3390/diagnostics12020346.

[10] LI TH S， CHIU HJ， KUO PH. Hepatitis C virus detection model by us?ing random forest， logistic-regression and ABC algorithm[J]. IEEEAccess， 2022， 10： 91045-91058. DOI： 10.1109/ACCESS.2022.3202295.

[11] ALIZARGAR A， CHANG YL， TAN TH. Performance comparison ofmachine learning approaches on hepatitis C prediction employingdata mining techniques[J]. Bioengineering （Basel）， 2023， 10（4）： 481.DOI： 10.3390/bioengineering10040481.

[12] FLAMM S， LAWITZ E， BORG B， et al. Efficacy and safety of sofosbu?vir/velpatasvir plus ribavirin in patients with hepatitis C virus-relateddecompensated cirrhosis[J]. Viruses， 2023， 15（10）： 2026. DOI： 10.3390/v15102026.

[13] CHIRIKOV VV， MARX SE， MANTHENA SR， et al. Development of acomprehensive dataset of hepatitis C patients and examination ofdisease epidemiology in the United States， 2013-2016[J]. Adv Ther，2018， 35（7）： 1087-1102. DOI： 10.1007/s12325-018-0721-1.

[14] CHURKIN A， KRISS S， UZIEL A， et al. Machine learning for math?ematical models of HCV kinetics during antiviral therapy[J]. MathBiosci， 2022， 343： 108756. DOI： 10.1016/j.mbs.2021.108756.

[15] PARK H， LO-CIGANIC WH， HUANG J， et al. Machine learning algo?rithms for predicting direct-acting antiviral treatment failure in chronichepatitis C： An HCV-TARGET analysis[J]. Hepatology， 2022， 76（2）：483-491. DOI： 10.1002/hep.32347.

[16] HAGA H， SATO H， KOSEKI A， et al. A machine learning-based treat?ment prediction model using whole genome variants of hepatitis Cvirus[J]. PLoS One， 2020， 15（11）： e0242028. DOI： 10.1371/journal.pone.0242028.

[17] JANCZEWSKA E， KO?EK MF， LORENC B， et al. Factors influencingthe failure of interferon-free therapy for chronic hepatitis C： Datafrom the Polish EpiTer-2 cohort study[J]. World J Gastroenterol，2021， 27（18）： 2177-2192. DOI： 10.3748/wjg.v27.i18.2177.

[18] SHOUSHA HI， AWAD AH， OMRAN DA， et al. Data mining and ma?chine learning algorithms using IL28B genotype and biochemicalmarkers best predicted advanced liver fibrosis in chronic hepatitis C

[J]. Jpn J Infect Dis， 2018， 71（1）： 51-57. DOI： 10.7883/yoken.JJID.2017.089.

[19] HASHEM S， ESMAT G， ELAKEL W， et al. Comparison of machinelearning approaches for prediction of advanced liver fibrosis inchronic hepatitis C patients[J]. IEEE/ACM Trans Comput Biol Bioin?form， 2018， 15（3）： 861-868. DOI： 10.1109/TCBB.2017.2690848.

[20] KONERMAN MA， ZHANG YW， ZHU J， et al. Improvement of predic?tive models of risk of disease progression in chronic hepatitis C byincorporating longitudinal data[J]. Hepatology， 2015， 61（6）： 1832-1841. DOI： 10.1002/hep.27750.

[21] IOANNOU GN， TANG WJ， BESTE LA， et al. Assessment of a deeplearning model to predict hepatocellular carcinoma in patients withhepatitis C cirrhosis[J]. JAMA Netw Open， 2020， 3（9）： e2015626.DOI： 10.1001/jamanetworkopen.2020.15626.

收稿日期：2024-05-22；錄用日期：2024-07-05

本文編輯：劉曉紅