基于人工智能舌象模型的肝纤维化家庭监测新方法：TongVMoe的开发与验证

《npj Digital Medicine》：An AI-powered tongue image model for home-based monitoring of liver fibrosis

本研究针对肝纤维化早期诊断和动态监测的临床难题，开发了一种基于多任务深度学习框架TongVMoe的舌象分析系统。该模型在2202张舌象图像训练后，对肝纤维化诊断的曲线下面积(AUC)达0.8061，显著优于现有方法。研究首次发现瘀点(petechiae)与肝纤维化显著相关(χ2=19.516, P<0.001)，并将模型成功部署至微信小程序，实现77.8%的远程筛查准确率。这项工作为肝病长期管理提供了可解释、移动兼容的新型工具，特别适用于资源有限地区。

　　

肝脏疾病是全球第十一大死亡原因，其中大多数死亡与肝硬化和肝细胞癌相关。作为肝硬化的可逆前驱阶段，肝纤维化的早期发现对于控制疾病进展至关重要。然而，当前肝纤维化的诊断方法存在明显局限性：肝活检作为金标准具有侵入性且重复性差；血清学检查和影像学检查等无创检测方法成本较高，不适合常规动态监测，特别是在技术能力和资源有限的初级保健机构中。

传统中医舌诊虽能提供内脏健康状况的非侵入性洞察，但高度依赖医师经验，存在主观性强的问题。近年来，尽管人工智能技术开始应用于舌诊领域，但现有诊断仪器通常基于大模型和高性能硬件，价格昂贵且体积庞大，需要患者到专业机构进行评估。

在这项发表于《npj Digital Medicine》的研究中，研究人员开发了一种名为TongVMoe的人工智能舌象模型，旨在实现肝纤维化的家庭动态监测。该研究通过前瞻性队列验证，以超声弹性成像为参考标准，构建了一个多任务可解释框架，可同时识别肝纤维化和关键舌象特征。

研究团队整合了该模型到微信小程序中，模拟远程健康监测场景。这种方法促进了肝纤维化的便捷、连续监测，为家庭日常使用的实用随访工具铺平了道路。

主要技术方法

研究纳入1601例患者提供的2202张舌象图像，采用超声弹性成像（ cutoff值7kPa）作为肝纤维化诊断标准。使用VMamba架构进行特征提取，结合多门混合专家(MMoE)模块处理多任务学习。通过冲突避免梯度下降(CAGrad)平衡八个任务的梯度，并采用EigenCAM提供可视化解释。模型在NVIDIA H100 GPU上训练，最终部署至微信小程序进行临床验证。

患者特征

AI模型开发阶段共纳入1601例患者，提供2202张舌象图像。训练集、验证集和测试集分别包含1280例、160例和161例患者。远程健康监测模拟阶段纳入108例（来自103例个体患者），其中72例为非纤维化，36例为纤维化。

舌象特征与肝纤维化的相关性

中医专家评估显示，瘀点(petechiae)与肝脏硬度显著相关(χ²=19.516, P<0.001)，而舌色、裂纹、苔色、齿痕、苔厚和腻苔均无显著统计学关联。这一发现突出了瘀点作为肝纤维化临床指标的重要价值。

TongVMoe模型的诊断性能

在测试集中，TongVMoe模型在大多数任务中表现出稳健性能。对于肝纤维化预测，模型准确率为77.98%，特异性为87.42%，AUC为0.8061。在舌象特征识别任务中，模型在识别裂纹（准确率：91.74%，AUC：0.9752）和腻苔（准确率：90.37%，AUC：0.9232）方面表现优异。

不同模型在舌象肝纤维化预测中的比较

与三种多任务学习方法和五种骨干架构相比，TongVMoe在从舌象诊断肝纤维化方面表现出更优的诊断性能。其AUC显著高于硬参数共享(HPS)和定制门控(CGC)，与DSelect-k相当，而优于DiffMIC-v2、InceptionNeXt、LSNet、TransXNet和HorNet等模型(p<0.05)。

亚组（有/无瘀点）分析

将测试集分为瘀点组（44张舌象）和非瘀点组（174张舌象）后，在非瘀点组中，TongVMoe达到最高AUC(0.7902)，显著优于其他模型。而在瘀点组中，TongVMoe达到0.8606的AUC，与其他模型的差异较小。所有九种模型在瘀点组的诊断性能均优于非瘀点组，AUC增加7.04-33.50个百分点。

AI诊断的可解释性

TongVMoe的可解释性体现在其架构和可视化结果两方面。结构上，模型产生每个舌象特征的明确预测以及纤维化分类，从而揭示可观察特征与疾病状态之间的潜在关联。通过EigenCAM生成的热图显示，模型关注的区域与医生通常关注的临床特征密切匹配。

使用TongVMoe模型的家庭监测模拟

研究将TongVMoe模型集成到通过医院审核流程的微信小程序中。总体而言，小程序实现了77.8%的准确率、86.2%的敏感性和73.7%的特异性。在5例随访患者中，4例在两次检查中均被一致识别为患有肝纤维化，而1例患者初始检测为阴性，但在三个月后的随访中被诊断为肝纤维化，小程序在第二次就诊时正确预测了该患者的肝纤维化。

研究结论与意义

该研究开发的TongVMoe深度学习AI模型能够筛查肝纤维化并识别相关舌象特征，且成功集成到微信小程序中，模拟了肝纤维化筛查的远程健康场景。研究表明，在AI辅助下，舌象不仅可用于肝纤维化的初步筛查，还可作为慢性肝病患者常规随访中监测疾病进展的工具。

研究首次发现瘀点与肝纤维化的强相关性，从中医理论看，瘀点对应肝气郁滞和血行不畅；从现代医学角度，这可能与肝纤维化进展过程中发生的微循环障碍相平行。尽管视觉上不如裂纹或腻苔特征明显，但瘀点为纤维化提供了更强的病理生理学特异性。

多任务框架使模型能够并行推理舌象特征和疾病诊断，部分模拟了中医医生的整体和模式化诊断思维，不仅增强了透明度，还弥合了AI决策与临床推理之间的差距。

家庭监测模拟结果表明，尽管图像质量可能下降，但AI模型仍保持稳健性能和高敏感性，能够早期发现肝脏异常。随访结果进一步支持了该模型在肝纤维化早期预警和纵向监测方面的潜力，突出了其在动态疾病管理中的实用价值，特别是在初级保健和农村环境中。

需要注意的是，该研究存在一定局限性：超声弹性成像作为参考标准可能受BMI、肝脏炎症程度和设备类型等因素影响；小程序舌象均在门诊采集，光照条件相对统一，未能完全复现真实家庭环境的复杂性；家庭监测模拟数据集相对较小，主要包含单次测量，限制了模型纵向预测能力的验证；研究在单中心进行，需要不同人群和成像条件下的外部验证以确保普适性。

总之，该研究为基于深度学习的舌象分析作为肝纤维化筛查的非侵入性方法提供了初步证据。虽然需要在更大、更多样化人群中进行进一步验证，但研究结果表明，AI模型有可能作为慢性肝病远程监测和随访管理的辅助工具。