综述：利用人工智能验证肝癌康复中的传统生物标志物和药物靶点：一篇微型综述

《Frontiers in Pharmacology》：Leveraging artificial intelligence to validate traditional biomarkers and drug targets in liver cancer recovery: a mini review

本综述系统探讨了人工智能（AI）如何整合多模态数据（影像学、病理学、液体活检等），验证并优化肝癌（HCC）康复中的传统生物标志物（如AFP、PIVKA-II、ALBI）和药物靶点（如VEGF–VEGFR、WNT/β-catenin通路），旨在提升个体化预后预测、治疗反应评估及肝功能恢复监测的精准性，同时指出标准化、泛化性与前瞻性验证仍是临床转化的关键挑战。

　　

1 引言

肝细胞癌（HCC）是全球癌症死亡的主要原因之一，其治疗后的康复过程受到病因、基因组和微环境异质性的显著影响。尽管靶向和免疫联合治疗拓宽了一线治疗选择，但持久获益并不均衡，且传统血清和影像学生物标志物（如AFP、AFP-L3%、PIVKA-II、LI-RADS/mRECIST）在评估残留病灶或功能恢复方面存在局限。人工智能（AI）通过整合多尺度证据（影像组学、病理组学、多组学和液体活检），为强化生物标志物和靶点验证提供了新途径。

2 肝癌康复中的传统生物标志物与药物靶点

传统生物标志物包括血清蛋白（如AFP、AFP-L3%、PIVKA-II）、影像学特征（动脉期强化、静脉期洗脱）和病理因素，共同用于评估残留疾病风险、治疗反应及肝功能轨迹。GALAD等复合模型通过结合多种标志物提升了早期检测性能，但效果因队列和病因而异。药物靶点方面，VEGF–VEGFR轴（如仑伐替尼、索拉非尼）和免疫检查点抑制剂（如阿替利珠单抗+贝伐珠单抗）已成为基础治疗方案，但WNT/β-catenin等通路激活导致的免疫排斥表型仍是反应异质性的主要原因。

3 AI驱动的生物标志物与靶点验证框架

AI验证需遵循结构化路径，确保分析有效性、临床有效性和临床实用性。分析有效性要求特征鲁棒性、标准化预处理和跨中心 harmonization（如ComBat方法）；临床有效性需通过多中心外部验证证明泛化能力，例如深度学习在病理切片中预测复发风险，或影像组学模型预测微血管侵犯；临床实用性则需前瞻性评估AI决策对患者结局的改善，并避免数据泄漏和频谱偏倚。DECIDE-AI、SPIRIT-AI等框架为透明报告和前瞻性评估提供了标准。

4 临床转化：预后/反应读数与康复监测

AI输出需与临床终点对齐，例如“下次影像存在存活肿瘤的概率”或“90天内肝失代偿风险”，并预设决策阈值（如30–40%触发早期干预）。动态影像组学（delta-radiomics）可提升治疗反应敏感性，但需控制扫描协议偏移。多模态整合（如cfDNA甲基化联合AFP/PIVKA-II动力学）能生成区间特异性复发概率，指导风险分层随访。肝功能方面，AI可通过序列实验室数据（如ALBI评分）或定量MRI指标预测肝储备和治疗耐受性。

5 AI与传统整合在肝癌康复中的展望

近期重点是将AI作为传统标志物的辅助工具，通过复合模型（整合血清动力学、影像学和分子特征）提升泛化能力。转化优先方向包括多模态残留疾病监测（融合ctDNA甲基化与影像-血清趋势），以及部署中的数据集质量审计和偏移监控。成功指标应超越AUC，聚焦于净获益、避免过度治疗和肝功能保护。若严格遵循标准，AI可成为透明层，在指南兼容框架内个体化监测强度、优化治疗选择和预测功能恢复。