GraftIQ：融合临床知识的混合多类神经网络模型在肝移植受者多结局预测中的突破性应用

肝移植受者(LTRs)面临移植物损伤风险，传统肝活检存在侵入性缺陷。多伦多大学健康网络团队开发了混合多类神经网络模型GraftIQ，整合临床专家知识，通过5217例活检数据实现六类移植物病理诊断（AUC 0.902）。该模型在梅奥诊所等国际中心验证中表现优异，为临床决策提供非侵入性工具，显著提升诊断效率。

　　

肝移植是终末期肝病患者的救命疗法，但移植后移植物损伤仍是重大挑战。目前诊断金标准——肝活检存在出血、采样误差等风险，且结果延迟影响治疗时效。临床亟需非侵入性工具快速鉴别急性细胞排斥反应(ACR)、胆道梗阻(BO)、代谢相关脂肪性肝炎(MASH)等六类常见并发症。

多伦多大学健康网络联合德国汉诺威医学院等机构的研究团队开发了混合多类神经网络模型GraftIQ。该研究纳入1992-2020年间5217例肝活检数据，整合人口统计学、实验室指标及临床专家知识，通过贝叶斯融合框架将医生经验概率与神经网络预测结合。研究成果发表于《Nature Communications》，为肝移植后管理提供了创新解决方案。

关键技术包括：1）多中心回顾性队列构建（多伦多、梅奥诊所等4个数据集）；2）六分类神经网络架构设计（Softmax激活函数）；3）贝叶斯融合算法整合临床规则（如BO诊断依赖ALP/胆红素升高）；4）集成梯度法解析特征重要性；5）国际多中心外部验证（UHN、汉诺威等）。

【患者人群】
分析1791例受者（平均年龄52.4岁）的7580次活检，最终纳入5217次活检。HCV相关损伤占比最高（1979例），ACR次之（1635例）。实验室特征显示ACR组ALT（218.52 IU/L）、AST（138.14 IU/L）显著升高，与临床认知一致。

【模型性能】
GraftIQ在测试集整体AUC达0.902（95% CI:0.884-0.919），较单纯神经网络提升1.9%。关键改进包括：ACR诊断AUC从0.774升至0.801（临床规则纳入"移植物低龄"特征）；AIH诊断特异性达0.942。外部验证中，UHN数据集表现最佳（AUC 0.934），梅奥诊所HCV分类AUC 0.889。

【临床整合】
案例演示显示，1例ACR患者被模型正确识别（概率81%），其ALP达803 IU/L。对比实验证实，模型对30例样本的诊断准确率全面超越12名肝病专家（AIH/BO/HCV/MASH达100%准确）。开发的交互式仪表盘可实时显示六类并发症概率及关键决策特征（如ALT、血红蛋白）。

结论表明，GraftIQ首次实现基于常规检验数据的多类移植物损伤诊断，其创新性体现在：1）突破传统二分类限制；2）通过贝叶斯融合解决"算法黑箱"问题；3）国际多中心验证证实普适性。研究局限性包括未涵盖双重病理活检，未来需拓展无活检确认病例的验证。该工具可缩短诊断时间约15秒/例，有望减少20%不必要的肝活检，对改善移植受者长期生存具有重要临床价值。