处理完成综述：人工智能在肝病学中的基础：临床医生需要了解的内容

本文综述了人工智能(AI)在肝病学中的应用基础，探讨了机器学习和深度学习如何利用大规模临床数据改变肝脏疾病的诊断、风险评估和管理。文章还介绍了在线资源，帮助临床医生掌握AI知识和技能，参与AI开发全生命周期。

　　

人工智能(AI)在肝病学中的基础：临床医生需要了解的内容

随着大数据研究的发展，人工智能(artificial intelligence, AI)、机器学习(machine learning)和深度学习(deep learning)正在引领医学各个专科的变革，肝病学(Hepatology)也不例外。AI整合大规模数据集和先进算法，为提高患者护理创造了新机遇，特别是在改善诊断准确性、风险分层和临床结果预测方面。

AI在肝病学中的应用主要体现在以下几个方面：

AI与传统统计学的区别

虽然AI和传统统计学都依赖数据提取知识，但两者有着重要区别。传统统计学主要用于推断，旨在从观察样本中得出关于更广泛人群的结论，强调可解释参数和临床洞察力，通常需要临床医生和生物统计学家密切合作。相比之下，数据科学和AI，特别是现代机器学习和深度学习，专注于数据挖掘、准确预测和复杂模式识别，重点在于给定综合数据集的情况下识别最准确的预测或决策。

AI在风险评分开发中的应用

在肝病学中，风险评分的开发对于识别肝硬化(cirrhosis)、肝细胞癌(hepatocellular carcinoma, HCC)或其他肝相关结果的高危人群至关重要。传统的统计模型通常依赖于结构化、表格化的数据集，预测因子基于临床知识和先前证据预先定义。常用的包括Cox比例风险模型和Fine-Gray竞争风险模型。

机器学习算法可以自动捕获预测因子间的非线性关联和复杂交互作用，这使得发现新的风险模式成为可能。常用的算法范围从基础模型到更先进的集成和深度学习方法，如逻辑回归、朴素贝叶斯、决策树、支持向量机(support vector machine, SVM)、随机森林(random forest)、梯度提升机(gradient boosting machine, GBM)、极限梯度提升(eXtreme Gradient Boosting, XGBoost)等。

AI在影像分析中的应用

许多临床医生和流行病学家错误地认为经典统计方法在处理包括影像在内的多模态数据源方面缺乏AI的灵活性。实际上，统计方法在处理复杂、高维数据方面有着悠久的传统。功能性数据分析(functional data analysis, FDA)早在1950年代就已引入，提供了分析数据作为函数(如时间/空间索引曲线/表面)的框架，而不是局限于表格"结构化"格式。

AI方法能够直接从原始像素强度、文本标记或波形中学习，实现端到端处理。在肝病影像研究中，这些AI系统在分割、分类和异常检测等任务中表现出色。生成对抗网络(generative adversarial networks, GAN)可以合成额外的训练数据或校正噪声扫描，而变压器(transformers，最初为语言处理开发)可以捕捉高分辨率医学图像中的局部和全局空间依赖性。

AI在诊断和预测肝病中的实例

超声(ultrasonography)、计算机断层扫描(computed tomography, CT)和磁共振成像(magnetic resonance imaging, MRI)的特征已被应用于各种肝脏疾病的放射组学(radiomics)研究中。例如，基于高频超声图像的深度学习模型在所有肝纤维化(liver fibrosis)阶段的诊断性能均优于基于血液的纤维化指数(aspartate aminotransferase to platelet ratio, APRI、fibrosis-4 index, FIB-4)以及剪切波弹性成像(shear wave elastography)。

使用钆塞酸二钠(gadoxetic acid)增强MRI开发的模型计算放射组学纤维化指数，在诊断3-4期纤维化时敏感性和特异性分别达到79%和82%。门静脉高压(portal hypertension)程度，包括临床显著门静脉高压(clinically significant portal hypertension)和食管胃底静脉曲张(gastroesophageal varices)的存在，也可以通过机器学习和深度学习模型从对比剂增强和非对比剂增强CT扫描的放射组学特征进行评估。

AI在HCC诊断和预后中的应用也得到了广泛研究。使用数百到数千个CT和/或MRI特征，放射组学有助于区分HCC与非HCC病变，预测病理分级、肿瘤微血管侵犯(microvascular invasion)以及根治性HCC治疗后的结果。

现实研究/临床环境中AI整合的挑战和局限性

尽管基于AI的算法在肝病诊断和预测中具有潜力，但这些工具仍面临一些挑战。首先，对训练数据质量的高度依赖会影响AI算法的性能，可能导致过拟合和偏差。其次，一些新型AI模型仍需要临床数据和专业输入才能准确解释。最后，数据泄露和幻觉(由AI生成的事实错误和误导性信息)在现实临床实践中可能特别有问题。

未来展望和结论

AI在肝病学中的整合在提高研究和临床实践方面具有巨大前景。该领域已取得显著进展，特别是在组织学切片和放射学扫描的影像数据分析方面，AI应用最为先进。然而，要促进AI在常规临床实践中的无缝实施，必须解决几个关键挑战。

首先，将AI工具整合到现有工作流程中，特别是与当前电子健康记录(electronic health records, EHR)结合，需要仔细考虑。确保AI应用能在既定系统内有效运行对于广泛采用至关重要。此外，围绕责任的问题必须明确，以保护医疗保健提供者和机构在将AI纳入其实践时的利益。患者隐私的复杂性也带来了重大关切，需要强大的框架来保护敏感的健康信息，同时利用AI技术。

总之，肝病学界必须开展协作讨论，制定最佳实践和监管指南来管理AI的使用。通过解决这些挑战，我们可以利用AI的变革潜力来提高诊断准确性、改善治疗效果，并最终为肝病患者提供更好的护理。