乙型肝炎肝硬化无创诊断模型的研究进展

刘 迪,李 宾,2 综述,姜晓峰,2△ 审校

1.哈尔滨医科大学附属第四医院检验科,黑龙江哈尔滨 150001;2.黑龙江龙卫精准医学检验中心,黑龙江哈尔滨 150028

全球有近2.57亿的慢性乙型肝炎病毒(HBV)感染患者,其中我国的感染患者约占全球感染人口的1/3[1]。HBV感染可以引起肝纤维化的进行性发展并逐渐导致代偿期肝硬化的发生,一旦进展至失代偿期肝硬化和肝细胞癌则会危及患者的生命[2]。肝纤维化是慢性乙型肝炎(CHB)发展为肝硬化的关键环节,晚期肝纤维化及代偿期肝硬化的纤维化进程通过及时干预是能够逆转的[3]。因此,早期诊断对延缓疾病发展和降低患者的死亡风险尤为重要。肝组织病理活检仍然是肝硬化诊断的金标准,但其作为一种有创手段常常受到病变异质性导致的采样误差、病理医生经验不足导致的主观误差以及有创操作导致的疼痛、出血和感染等并发症的限制,难以在临床中广泛应用[4-5]。目前评估肝硬化的非侵入性方法主要包括血清标志物检测和提供肝脏硬度物理测量的成像技术。常规的血清指标检测应用广泛但缺乏肝脏特异性;弹性成像技术简单、无创,能够减少70%的CHB患者的肝活检需求,但受肥胖、腹水和肝脏炎症水平的影响[6-7]。随着人工智能在医学领域的飞速发展,机器学习辅助构建肝硬化无创诊断模型成为研究者关注的重点。机器学习算法擅于将血清检测和成像技术结合,筛选肝硬化与肝纤维化的高风险因素并构建有效组合模型[8]。现对近年来常见的无创预测模型的研究进展进行综述,以期为乙型肝炎肝硬化的早期诊断及临床精准治疗提供证据。

1 简单血清标志物模型

肝纤维化的间接标志物如多种肝脏合成酶和血小板(PLT)等,与肝纤维化没有直接联系但反映了肝功能障碍和肝脏的炎症程度。以PLT、丙氨酸氨基转移酶(ALT)、天冬氨酸氨基转移酶(AST)和γ-谷氨酰转肽酶(GGT)等为基础构建的简单血清生物标志物模型主要有APRI、FIB-4、GPR、 AGPR和GPSA。

1.1APRI模型 APRI模型是基于慢性丙型肝炎(CHC)患者的临床数据所建立的无创诊断模型,仅由AST和PLT 2项指标组成,计算公式为APRI模型=AST×100/PLT[9]。有研究发现,APRI模型在未经治疗的CHB患者中评估乙型肝炎肝硬化的受试者工作特征曲线下面积(AUC)为0.721,而APRI模型在接受过治疗的CHB患者中评估乙型肝炎肝硬化的AUC为0.810,表明该模型更适用于抗病毒治疗后乙型肝炎肝硬化的诊断[10]。根据世界卫生组织推荐的临界值,当APRI>2时诊断乙型肝炎肝硬化的阳性预测值仅为32.1%,提示APRI模型在诊断乙型肝炎肝硬化时准确性不高,易导致漏诊[11]。

1.2FIB-4模型 FIB-4模型是为评估HIV/HCV合并感染患者的肝纤维化程度而开发的,经多变量逻辑回归分析显示年龄(Age)、PLT、ALT和AST 4项指标与肝纤维化显著相关,计算公式为FIB-4模型=(Age×AST)/(PLT×ALT1/2)[9]。在一个包含72项研究的荟萃分析中,使用FIB-4模型诊断CHB患者显著纤维化、晚期纤维化和肝硬化的AUC分别为0.77、0.77和0.82,提示FIB-4模型识别肝硬化的能力优于其他各阶段纤维化,但诊断性能仅为中等[6]。虽然APRI和FIB-4模型已被《慢性乙型肝炎防治指南:2019年版》[12]推荐用于评估肝纤维化及肝硬化水平,但基于其他病因导致的肝硬化患者的临床数据所开发的APRI和FIB-4模型,在CHB患者中的预测能力较低。

1.3GPR模型 GPR模型由LEMOINE等[13]基于135例接受肝活检的西非CHB患者的临床资料,利用机器算法开发的能够替代肝活检的新型模型,计算公式为GPR模型=(GGT/ULN) /PLT×100。该研究表明,绝大多数CHB患者处于非肝炎活动期而转氨酶正常,GPR模型诊断乙型肝炎肝硬化的灵敏度可达85%,AUC为0.796,而取决于转氨酶水平的APRI等模型诊断乙型肝炎肝硬化的灵敏度仅为25%,约75%的乙型肝炎肝硬化患者被错误分类[13]。在另一项包含17种无创模型的荟萃分析中,GPR模型在CHB患者的各纤维化阶段表现较一致,诊断显著纤维化、晚期纤维化和肝硬化的AUC分别0.744、0.777和0.802,但其诊断乙型肝炎肝硬化的准确性并不理想[11]。

1.4AGPR模型 AGPR模型是LIAO等[14]针对中国乙型肝炎的国情,以肝活检为标准建立的一个包括碱性磷酸酶(ALP)、GGT和PLT在内的肝纤维化无创诊断模型,计算公式为AGPR模型=ALP+GGT /PLT。该研究证实AGPR与CHB患者的肝纤维化分期具有显著的相关性,在训练队列中预测显著纤维化、晚期纤维化和肝硬化的AUC分别为0.83、0.84和0.87,在验证队列中预测显著纤维化、晚期纤维化和肝硬化的AUC分别为0.83、0.83和0.84。AGPR模型的诊断稳定性较好且模型在训练组和验证组中预测乙型肝炎肝硬化的灵敏度高达88.6%和92.3%,能够作为简单的临床指标用于CHB患者的常规监测,但其排除乙型肝炎肝硬化的阴性预测值在训练组和验证组中仅为38.6%和28.4%,易造成误差。

1.5GPSA模型 GPSA模型是KANG等[15]基于581例慢性HBV感染患者的临床数据,采用多变量逻辑回归构建的肝纤维化预测模型,计算公式为GPSA模型=7.987+0.087×XGGT-0.013×XPLT-0.422×XlogHBsAg-0.159×XALB。该研究根据ALT的不同参考上限值,由高至低将HBV感染患者分为Ⅰ、Ⅱ、Ⅲ、Ⅳ组,并验证和比较了GPSA、APRI、FIB-4模型在评估各组患者肝硬化中的诊断效能。结果显示APRI和FIB-4模型诊断各组患者肝硬化的AUC均不超过0.800,而GPSA模型在诊断各组患者肝硬化方面比APRI和FIB-4模型更准确,AUC分别为0.901、0.905、0.886、0.913。GPSA模型有助于准确评估乙型肝炎肝硬化,但缺乏更大规模的多中心队列研究对其进行验证。

2 复杂血清标志物模型

肝纤维化的直接标志物如透明质酸(HA)、α2-巨球蛋白(α2-MG)等能够直接参与纤维生成和纤维蛋白溶解,在预测晚期纤维化和肝硬化时通常比间接生物标志物更准确[5]。以HA和α2-MG等为基础并结合年龄等临床参数构建的复杂血清生物标志物模型主要包括SLFG和Hepascore。

2.1SLFG模型 SLFG模型是第一个纳入了肝纤维化的直接指标并用于评估CHB患者肝纤维化程度的算法模型,包括Age、α2-MG、GGT和HA,计算公式为SLFG模型=-13.995+3.220×Xlogα2-MG+3.096×XlogAge+2.254×XlogGGT+2.437×XlogHA[16]。SLFG模型仅入组了ALT水平重度升高的患者,使得患者间选择偏倚较大。有研究证实SLFG模型可以识别大多数需要抗病毒治疗的患者,在ALT水平正常(<40 U/L)、ALT水平轻度升高(40～80 U/L)和ALT水平重度升高(>80 U/L)的患者中模型预测乙型肝炎肝硬化的AUC分别为0.722、0.755和0.768,其诊断性能不受ALT水平影响[10]。既往研究表明,含有直接肝纤维化标志物的血清模型对CHB患者具有更好的诊断价值,但非常规指标α2-MG 的结果因缺乏标准化范围可能会影响SLFG模型的临床应用结果[17]。

2.2Hepascore模型 Hepascore模型是在CHC患者中采用机器算法构建的肝纤维化预测模型,计算公式为Hepascore模型=Y/(Y+1),其中Y=exp[-4.185 818-0.024 9×XAge+0.746 4×1(男性)或0(女性)+1.003 9×Xα2-MG+0.030 2×XHA+0.069 1×XBIL-0.001 2×XGGT][18]。结果表明该模型能够准确地预测CHC患者不同程度的肝纤维化,其诊断显著纤维化、晚期纤维化和肝硬化的AUC分别为0.85、0.96和0.94。但在另一项基于CHB患者的多种非侵入性诊断模型的比较分析中,截断值为0.697时,Hepascore模型诊断乙型肝炎肝硬化的AUC为0.76,且Hepascore模型排除乙型肝炎肝硬化的准确度仅为50%[19]。Hepascore模型可能是准确预测肝硬化的重要手段,但其在乙型肝炎肝硬化患者中的诊断性能仍需进一步验证。

3 新型血清标志物模型

近些年来新发现的肝脏疾病相关的血清标志物逐渐成为研究者关注的热点,如高尔基体蛋白73(GP73)和铜蓝蛋白(CP)等被证实在肝硬化进程中起着重要作用,联合其他血清学指标构建的无创诊断模型如GAPA和CPHBV显示出比以往的模型更具潜力的前景[20]。

3.1GAPA模型 GAPA模型是由翟相威等[21]通过逻辑回归分析开发的代偿期乙型肝炎肝硬化诊断模型,计算公式为Logit(P)= 1/[1+exp(1.614-0.054×XGP73-0.045×XAge+0.030×XPLT-0.015×XALP)]。有研究证实,GP73在各种病因导致的肝硬化患者血清中高表达,对肝硬化有很大的诊断价值[22]。在330例接受肝活检检查的CHB患者中,GAPA模型诊断乙型肝炎肝硬化的AUC为0.877,灵敏度和特异度分别为83%和79%。翟相威等[21]的研究证实GAPA模型与肝活检表现一致性较好,其诊断乙型肝炎肝硬化与肝活检诊断的符合率高达82.93%,是确定临床治疗决策的可信赖模型,但GP73仍未应用于常规检测,降低了该模型的临床实用性。

3.2CPHBV模型 CPHBV模型是KANG等[23]基于275例血清ALT水平持续正常的HBV感染患者的临床数据所构建的纤维化预测模型,计算公式为CPHBV模型=37.122-10.072×XlogCP-4.291×XlogPLT-0.958×XlogHBsAg。有研究表明CP是一种由肝细胞分泌的糖蛋白,它与肝纤维化水平呈负相关,是预测肝纤维化及肝硬化潜在的生物标志物[24]。KANG等[23]的研究利用多变量分析确定了肝纤维化的独立风险因素CP、HBsAg和PLT,并构建了CPHBV模型,该模型预测显著纤维化、晚期纤维化和肝硬化的AUC分别为0.842、0.920和0.904,当评分>0.533时仅有28.6%的乙型肝炎肝硬化患者被错误分类,提示该模型应用于临床可以在一定程度上减少不必要的肝活检,但目前模型研究的标本量相对较小,这可能会影响模型的实际诊断效果。

4 肝脏硬度测量值(LSM)联合血清标志物无创模型

新兴的弹性成像技术包括瞬时弹性成像(TE)、剪切波弹性成像(SWE)和磁共振弹性成像(MRE)等影像技术作为肝活检的替代手段得到了广泛的研究,其中SWE又包括点剪切波弹性成像(pSWE)和二维剪切波弹性成像(2D-SWE)。这些成像技术利用肝纤维化的物理特性,通过量化物理脉冲或机械驱动在肝组织内产生的横波速度及组织移位来获得LSM,可用于乙型肝炎肝硬化的风险评估和管理[25]。大量研究表明,相比已有的血清学模型,TE、SWE和MRE等弹性成像技术对肝硬化的诊断具有更高的准确度[26-28]。基于传统超声的弹性成像技术,TE操作简单、安全无创、可重复性好,可应用于床旁和门诊进行常规检测,已被中华医学会指南推荐应用于肝纤维化和肝硬化的评估[12]。MRE和SWE可自由选定意向区域进行检测,测量中不受体型、腹水等传统超声技术的干扰因素影响[25]。各种无创检测手段各有其优势,但单独应用的诊断准确性与肝脏活检相比仍有待提高,利用机器学习将弹性成像技术与血清学指标联合起来的多维度评估使诊断模型更有希望被推广应用于临床。

4.1HLC Index模型 HLC Index模型是由ZHANG等[29]使用多因素逻辑回归建立的一个由Ⅲ型前胶原氨基端肽(PⅢ-NP)、Ⅳ型胶原(Ⅳ-C)、HA、PLT和LSM组成的列线图模型,并在前瞻性队列研究中对其诊断性能进行了独立验证。列线图模型以乙型肝炎肝硬化为因变量,PⅢ-NP、Ⅳ-C、HA、PLT和LSM为自变量,每个变量都得到一个分数,将所有变量的总分求和后定位到总分量表中,能够更加直观地观察乙型肝炎肝硬化发生的概率,总分越高说明诊断为乙型肝炎肝硬化的概率越高。ZHANG等[29]的研究结果表明HLC Index模型与肝纤维化水平显著相关,在训练组和独立验证组中诊断乙型肝炎肝硬化的AUC分别为0.866和0.852,显著高于APRI、 FIB-4和2D-SWE等单一诊断模型。结合LSM与血清学指标建立的列线图模型能够实现简单、便捷的个体化诊断,指导临床抗病毒治疗决策。

4.2AAF模型 AAF模型是由WU等[30]基于452例未经治疗的CHB患者的临床资料开发的新型无创诊断模型。计算公式为AAF模型=exp(Y)/[1+exp(Y)],其中Y=1.509×XAST+1.089×Xlg抗-HBc+0.308×XLSM-7.969。先前研究已证实AST是反映肝脏炎症程度的良好指标,LSM在诊断肝纤维化方面显示出较高的准确性,抗-HBc水平与肝脏的炎症及纤维化程度显著相关,该模型结合了AST、LSM和抗-HBc,能够同时识别肝脏的炎症和纤维化程度。WU等[30]的研究结果表明AAF模型诊断乙型肝炎肝硬化的AUC为0.876,显著高于AST、抗-HBc和LSM单项诊断。当模型的临界值为0.65时,54.6%的CHB患者可以避免肝活检。AAF模型有潜力成为减少CHB患者肝活检的有效工具,但这项多中心研究纳入的CHB患者的基础特征存在异质性且模型的计算公式复杂,可能会影响模型在临床中的实际应用。

5 小结和展望

随着医学水平和人工智能技术的飞速发展,开发能够替代肝活检的无创诊断模型成为人们关注的热点。虽然血清学诊断模型具有无创、可重复检测、便于随访等优点,但其诊断肝硬化的灵敏度和准确度较低。LSM在评估肝纤维化方面显示出比血清学模型更好的诊断性能,但仍存在不足之处。MRE和SWE在测量中不受体型、腹水等传统超声技术的干扰因素影响,但需要专业设备检测且设备价格昂贵,难以在临床中广泛应用。TE是最早用于检测LSM的弹性成像技术,目前对基于TE的联合血清学模型研究更为广泛,但这项技术仍受炎症水平的影响,在肥胖及腹水的患者中适用性降低。利用机器算法将LSM与血清学标志物联合起来构建无创诊断模型,增加了诊断维度并结合了二者的优势,能够进一步提高乙型肝炎肝硬化诊断的准确性。此外,尽管本文没有对放射组学在肝纤维化评估中的应用进行讨论,但近年的研究发现利用人工智能提取肝脏影像的纹理特征,能够更全面、更深层次地区分肝脏微小的纹理改变,从而减少人工诊断肝纤维化的主观误差。未来在人工智能的辅助下将不断探索血清学检测和成像技术的最佳组合,并进一步在更大规模的队列和独立验证队列中验证模型的诊断性能。