《npj Gut and Liver》：Opportunities and challenges of artificial intelligence in hepatology
编辑推荐：
这篇综述系统阐述了人工智能（AI）在肝病诊断、预后预测及治疗中的前沿应用，涵盖MASLD、HCC等多种肝病，同时剖析了数据质量、算法可解释性、临床整合及伦理监管等关键挑战，为AI驱动肝病精准医疗的未来发展提供了重要见解。
人工智能在肝病学中的应用机遇
人工智能（AI）正通过整合多维度数据，重塑现代肝病学的诊断、预后评估及治疗策略。其核心机遇在于利用机器学习（ML）和深度学习（DL）等算法，从电子健康记录（EHR）、医学影像、组织病理学切片以及多组学数据中挖掘超越传统临床范式的新模式，推动肝病管理向主动、个性化及公平的方向转变。
诊断领域的革新
在诊断方面，AI展现出巨大潜力。基于卷积神经网络（CNN）的模型已能对计算机断层扫描（CT）、超声和磁共振成像（MRI）等影像数据进行自动分析，实现肝脏分割、肝细胞癌（HCC）检测、纤维化分期乃至脂肪变性和肝细胞气球样变等组织学特征的评估。在数字病理学领域，AI模型能够对肝活检全切片图像（WSI）进行量化分析，实现自身免疫性肝炎（AIH）诊断、汇管区识别和微血管侵犯（MVI）检测等任务，提供客观、可重复的评分，减少主观评估差异。此外，AI还能从常规实验室检查数据中挖掘信号，例如通过堆叠ML模型检测丙型肝炎病毒（HCV）感染，或利用自然语言处理（NLP）技术从非结构化文本中识别脂肪性肝病风险，为大规模筛查提供可能。
疾病分层与预后预测
AI在风险分层和预后预测方面表现突出。对于代谢功能障碍相关脂肪性肝病（MASLD），随机森林（RF）等模型结合临床变量可准确进行活检定义的疾病分期，其性能优于传统非侵入性检验（NITs）。研究还发现，高甘油三酯血症患者罹患MASLD和代谢功能障碍相关脂肪性肝炎（MASH）的风险显著增高。在肝细胞癌（HCC）领域，AI模型能基于影像组学特征、血清代谢组学、细胞游离DNA甲基化谱甚至口腔/肠道微生物组数据，预测HCC的发生风险、治疗反应（如阿特珠单抗+贝伐珠单抗的疗效）及总生存期（OS），实现更精细的风险分层。对于肝硬化患者，AI模型能预测失代偿等肝脏相关结局，甚至在肝切除术前预测术后肝衰竭风险。
治疗决策与药物研发
AI正加速肝病治疗策略的优化和新药发现。在治疗响应方面，AI模型可用于预测药物性肝损伤（DILI）风险、筛选协同药物组合，并为个体化治疗提供依据。在药物研发中，AI通过分析多组学数据识别候选生物标志物和治疗靶点，例如在MASH中发现EP300/CBP溴结构域抑制剂，或在原发性硬化性胆管炎（PSC）中识别CCL24轴作为免疫治疗靶点。AI驱动的平台（如PandaOmics结合生成化学）能快速发现新型小分子抑制剂（如CDK20抑制剂），显著缩短研发周期。
临床整合与挑战
尽管前景广阔，AI在肝病学的临床整合仍面临诸多挑战。技术层面，模型普遍存在泛化能力不足、数据质量参差不齐、标签噪声以及数据集偏移等问题。伦理与监管方面，算法偏见可能加剧健康不平等，模型的可解释性、问责制以及数据隐私安全是关注焦点。欧盟《人工智能法案》和美国FDA的“预定变更控制计划”（PCCPs）等监管框架正在逐步完善，但全球协调仍存挑战。此外，AI系统的环境可持续性（如能耗和用水量）也需纳入考量。
未来展望
成功的临床转化依赖于AI工具在真实世界中的普遍性、透明度及长期性能监控。通过前瞻性随机对照试验验证临床效益，将AI定位为辅助临床决策的“副驾驶”而非替代者，并加强跨学科合作、提高AI素养，是推动其负责任落地的关键。最终，AI有望助力肝病管理从被动应对转向主动预防和个性化干预的新时代。
