人工智能在肝移植领域的应用进展

史 斌，金海龙

解放军总医院第三医学中心 器官移植科，灾害救援医学北京市重点实验室，北京 100039

人工智能(artificial intelligence，AI)是计算机科学的一个分支，旨在创建模拟人类智能的计算机软件，使其具备推理、规划、学习、交流、感知以及移动和操纵物体的能力。随着电子病历和医院信息系统的进步，医院越来越多地以电子格式存储患者信息，并且可以通过这些记录发现数据中的模式[1]。为了分析这些记录，越来越多的研究人员将人工智能应用于疾病诊疗、预后预测等医疗领域[2-3]。人工智能在肝移植领域应用广泛，尤其是在其疾病诊断、治疗、预后预测和器官分配方面。现将人工智能在肝移植领域中的应用做一 综述。

1 临床诊断

快速准确的移植肝脂肪变性(hepatic steatosis，HS)评估对于降低移植后肝功能障碍风险至关重要。移植肝组织病理学检查是评估HS的金标准。Moccia等[4]使用机器学习算法对肝纹理进行自动分析，为外科医生临床决策提供支持。Cesaretti等[5]采用机器学习的方法评估移植肝的脂肪变性，识别出不可移植的肝，从而提高移植物的存活率。这些研究表明，机器学习在移植肝评估方面 表现出良好的性能。

2 治疗

肝细胞癌(hepatocellular carcinoma，HCC)是全球第六大常见恶性肿瘤，也是全球第二位恶性肿瘤致死原因[6]。肝癌的治疗方式包括手术切除、肝移植、射频消融、肝动脉化疗栓塞术(transcatheter arterial chemoembolization，TACE)、“可乐”组合为代表的转化治疗等[7-8]。各种方法各有利弊及局限性，从单纯治愈性的角度来说，肝移植可以同时切除肿瘤和硬化肝，是唯一有效治愈肝癌的手段。贺轶锋等[9]基于肝癌患者肝移植术前血清学指标建立肿瘤复发的决策树预测模型，对临床治疗具有一定的指导意义。Nam等[10]开发了一种人工智能模型以预测肝移植术后肝癌的复发，研究结果发现，人工智能模型中最大的加权参数是肿瘤直径，其次是甲胎蛋白、年龄和白蛋白。与常规模型相比，人工智能模型对肝移植术后肿瘤的复发具有更好的可预测性。

神经网络(neural network，NN)是一种使用人工智能方法输入各种变量以预测结果的技术，已广泛应用于肝移植领域。已有研究证实，NN可对肝移植供者-受者进行有效的术前评估[11-12]。数据挖掘分析是人工智能的基础，是用来构建各种假说的方法。Nakayama等[13]构建新颖的急性肝衰竭(acute liver failure，ALF)患者预后算法可能有助于确定肝移植的适应证。在确定肝细胞癌(hepatocellular carcinoma，HCC)移植前评估的指标时，每个检验指标的最佳临界值仍不确定。一项数据挖掘分析纳入246例行肝移植术的HCC患者，其中36例(14.6%)在术后2.5年内复发。HCC复发预测模型将患者分为低风险组(肿瘤直径＜4 cm、血清甲胎蛋白＜73 ng/mL)和高风险组(肿瘤直径＞4 cm、血清甲胎蛋白＞73 ng/mL)。该分类标准可以有效预测HCC肝移植术后的存活率[14]。Kavur等[15]使用基于深度学习的自动分割算法，大大提高了肝分割和体积测量的准确性和可重复性 。

3 移植肝存活和并发症的预测

为了有效评估移植肝的存活情况，国内外学者采用不同的算法构建各种肝移植后生存的预测模型，以帮助临床医生做出更优的决策。研究表明，机器学习以及神经网络算法可以准确预测肝移植术后移植物存活和患者生存情况[16-23]。Angelico等[24]建立贝叶斯模型用于改善肝移植术后早期移植物功能受损的预测。Kong等回顾性分析1495名肝移植受者术后90 d的生存情况，构建一个以肌酐、年龄、总胆红素和白蛋白4个指标为主的模型，与这4个风险水平相对应的90 d死亡率分别为6.2%、11.8%、24.0%和34.9%。Hoot和Aronsky[25]利用器官共享联合网络的移植信息构建贝叶斯网络模型，以预测90 d移植物存活率。其阳性预测值为91%，而阴性预测值为30%。Gavriilidis等[26]使用贝叶斯网络分析评估劈裂肝移植(split liver transplantation，SLT)、活体肝移 植(living-donor liver transplantation，LDLT)和尸 体 肝 移 植(deceased-donor liver transplantation，DDLT)的移植物和患者的生存结果，三种术式1年、3年和5年移植物和患者的生存率均无统计学差异。这些研究结果表明，朴素贝叶斯在肝移植术后患者生存时间预测和免疫抑制药物浓度监测等方面发挥着积极作用。

由于捐献器官短缺，器官移植专家已经增加对潜在边缘器官的利用。然而，这些器官移植失败的可能性很高，并且预测移植物功能和存活的生物标志物仍有限。Xu等[27]运用随机森林能够很好地寻找到评估肝功能的生物标志物，从而改善对移植物功能和存活率的预测。

急性肾损伤(acute kidney injury，AKI)是肝移植术后的一个重要并发症，与移植物存活率低有关[28]。多项研究报道，运用机器学习技术可以精确预测肝移植术后AKI的发生率[29]。非黑色素瘤皮肤癌(non-melanoma skin cancer，NMSC)是肝移植术后最常见的恶性肿瘤，其预后差、死亡率高。Tanaka和Voigt[30]研究发现决策树模型可准确 对肝移植受者NMSC发病风险进行分层和量化。

4 免疫抑制剂药物浓度的预测

他克莫司是一种免疫抑制剂，具有狭窄的治疗窗口和相当大的药代动力学变异性。大量研究报道，贝叶斯预测可以提供最佳的口服剂量，表现出良好的预测性能[31-34]。另有研究发现，贝叶斯模型可以对他克莫司的药物代谢动力学进行精准 预测[35-38]。

5 预后预测

人工智能技术在疾病的预后预测方面发挥着巨大的作用，尤其是应用于恶性肿瘤和并发症时[39]。Molinari等[40]采用机器学习技术，确定肝移植受者年龄、终末期肝病评分模型、体质量指数、糖尿病和血液透析为最强预测指标，随后开发加权计分系统(最低0分，最高6分)，肝移植受者术后并发症可以根据术前特征的评分系统进行预测。Wadhwani等[41]采用的机器学习算法更有助于小儿肝移植术后的风险分层和个体化护理。一项回顾性队列研究纳入了1 459例接受肝移植的患者，建立机器学习模型预测移植术后心血管事件发生率和死亡率，结果显示心血管事件的主要影响因素是年龄、有无糖尿病、血清肌酐水平、是否是非酒精性脂肪性肝炎引起的肝硬化、右心室收缩压和左心室射血分数[42]。

一项研究运用机器学习识别肝移植的术前变量，预测手术期间或术后红细胞的输注情况，前瞻性纳入了1 193例中国患者进行研究，收集24个术前变量，包括基本的人群特征、诊断、临床症状和实验室检验结果。筛选出9个重要的术前变量，包括年龄、血红蛋白、直接胆红素、活化的部分凝血活酶时间、球蛋白、谷草转氨酶、谷丙转氨酶、有无门静脉高压以及原发病情况[43]。

6 器官分配

为了更好地解决供肝短缺与临床巨大需求之间的矛盾，Qu等[44]构建决策分析模型，以更加合理、高效地使用供肝。Briceño等[45]将人工智能技术应用于肝移植供体-受体模型匹配方面，优化了流程，提高了效率，更好地坚持公平性原则。Bertsimas等[46]利用机器学习技术构建死亡率预测模型，即根据疾病的严重程度更准确、客观地对肝移植等候者进行优先排序，从而使肝分配更加公平，节省了大量医疗资源。Vagefi等[47]研究发现机器学习技术具有指导移植临床实践的潜力，从 而有利于国家器官的分配政策。

7 结语

随着大数据时代的到来，人工智能在肝移植领域发挥着巨大作用，尤其是在肝病变的诊疗和预后预测方面。随着计算机科学技术的发展，基于人工智能技术结合临床数据构建预后预测模型，实现对肝移植术后肿瘤复发的早期预警、风险评估和疗效监测，采用针对性的治疗方法进行干预，提升治疗效果，可更好地为肝移植受者服务。