深度学习赋能肝移植预后评估：精准洞察死体与活体供体受者长期结局的前沿研究

为解决肝移植长期预后难以精准预测的问题，印度阿萨姆学院自治体的研究人员开展深度学习构建预后模型的研究。结果显示该模型预测准确率高，且两类供体移植对生存预测影响无显著差异，极具科研价值，推荐阅读。

　　

印度阿萨姆学院自治体（Assumption College Autonomous）计算机科学系的 C. G. Raji 等人在《Journal of Translational Medicine》期刊上发表了题为 “Advanced prognostic modeling with deep learning: assessing long?term outcomes in liver transplant recipients from deceased and living donors” 的论文。这篇论文在肝脏移植领域意义重大，它借助深度学习构建先进的预后模型，评估肝移植受者的长期预后，为优化肝脏移植治疗方案、合理分配医疗资源提供了关键依据，有望推动肝脏移植医学的发展。

一、研究背景

肝脏移植（Liver transplantation，LT）是终末期肝病患者的重要治疗手段，为众多生命垂危的患者带来了生的希望。然而，肝脏移植的成功受到多种因素影响，包括供体类型（脑死亡供体或活体供体）、受体健康状况以及术后护理等。传统的预后模型依赖有限的临床变量，难以精准捕捉影响移植成败的复杂因素。在生存预测方面，缺乏精确模型成为困扰医生的一大难题，这也促使计算机辅助的预测模型逐渐兴起。深度学习模型凭借处理丰富大数据的能力，在生存预测领域展现出巨大潜力。本研究旨在利用深度学习开发先进的预后模型，对比脑死亡供体和活体供体移植场景下肝移植受者的长期生存情况，这对于优化患者护理、合理分配医疗资源以及提升移植项目的整体成功率至关重要。

二、研究方法

1. 数据收集与预处理：研究人员从美国器官共享联合网络（United Network for Organ Sharing，UNOS）数据库获取了包含 1998 年至 2023 年的 353,589 条肝脏移植患者记录，涵盖 410 个属性。去除 2001 年引入终末期肝病模型（Model for End - Stage Liver Disease，MELD）评分之前的记录、儿科终末期肝病（Pediatric End Stage Liver Disease，PELD）评分记录，根据供体类型将数据集分为 R - 脑死亡供体（R - Deceased donor）和 R - 活体供体（R - Living donor）数据集。手动提取数据后，运用主成分分析（Principal Component Analysis，PCA）方法进行降维，从两个数据集中分别提取出 23 个排名靠前的关键属性用于后续分析。
2. 模型构建与训练：采用 Deeplearning4j 多层感知器（Deeplearning4j Multilayer Perceptron，Dl4jMLP）分类器构建模型。在训练过程中，使用 LOSSMCXENT 损失函数和 XAVIER 权重初始化函数，以随机梯度下降算法更新权重，学习率设为 0.001。运用十折交叉验证评估模型性能，通过计算每个肝脏受体的生存概率进行生存分析。
3. 数据集划分与分析：UNOS 数据集包含丰富信息，经过处理后，R - 脑死亡供体数据集有 135,709 条记录，R - 活体供体数据集有 6,180 条记录。利用随访数据创建 24 个数据集用于长期生存预测，随访数据涵盖 1988 年至 2023 年，通过 TRR_ID_CODE 属性将肝脏移植数据集和随访数据集关联起来。

三、研究结果

1. 研究人群描述：UNOS 数据集中最初有 353,589 条肝脏患者记录，其中 147,296 条记录缺失，206,293 名患者存活。2001 年引入 MELD 评分后，去除部分记录，最终留下 153,761 条记录。成年患者记录有 141,889 条，儿科患者记录 11,872 条，本研究聚焦于成年患者，排除 PELD 记录。数据集中共有 135,709 个脑死亡供体和 6,180 个活体供体，经过数据处理和属性选择，确定 23 个输入属性和 1 个输出属性用于模型训练。
2. 基于深度学习模型的生存分析：将 23 个输入属性输入 Dl4jMLP 分类器进行训练，通过计算生存概率进行生存分析。在随访数据集中，根据随访日期提取 7,815 条单肝脏患者记录用于 2001 年至 2023 年的生存预测，训练时 R - 脑死亡供体和 R - 活体供体数据集的训练轮数（epoch）均设为 10，以获取最佳生存预测结果。
3. 关键研究成果：从性能指标来看，R - 活体供体数据集训练的模型灵敏度为 99.9%、特异性为 99.9%、准确率为 99.91%；R - 脑死亡供体数据集训练的模型灵敏度为 99.7%、特异性为 99.7%、准确率为 99.86%。在性能误差指标方面，R - 活体供体数据集的平均绝对误差（MAE）为 0.0009、均方根误差（RMSE）为 0.0213、相对绝对误差（RAE）为 0.259%、相对均方根误差（RRSE）为 4.9925%；R - 脑死亡供体数据集的 MAE 为 0.0018、RMSE 为 0.0362、RAE 为 0.3684%、RRSE 为 7.2616%。R - 活体供体数据集训练模型用时 48.33 秒，R - 脑死亡供体数据集训练模型用时 105.02 秒。研究还发现患者数量逐年减少，对比现有研究，本研究模型准确率更高。

四、研究结论与讨论

本研究验证了 Deeplearning4j 模型在肝移植生存预测中的有效性。研究结果显示，脑死亡供体移植和活体供体移植在生存预测上无显著差异，这一发现为临床实践提供了重要参考。从伦理、降低供体风险、公平获取器官以及避免供体相关并发症等方面考虑，脑死亡供体移植更具优势，研究结果支持在肝脏移植中推广脑死亡供体移植。但同时，也不能忽视活体供体移植在缓解器官短缺方面的重要作用，应制定合理政策，鼓励两者协同发展。

此外，本研究也存在一定局限性，如数据仅来源于 UNOS 数据库，可能限制模型在更广泛人群中的适用性。未来需持续优化预测模型，融合新兴技术，提高模型的可靠性和临床实用性。通过精准预测个体生存概率，临床医生能够为患者制定更具针对性的术后管理策略，器官分配系统也能更合理地分配器官，提高医疗资源利用效率，最终改善移植受者的预后，推动肝脏移植领域的发展。