人工智能在肝移植中的应用：临床决策的下一个前沿

《Journal of Clinical and Experimental Hepatology》：Artificial Intelligence in Liver Transplantation: The Next Frontier in Clinical Decision-Making

　　

摘要

人工智能（AI）在肝脏移植领域的应用已有三十余年，但预测性能与临床实施之间的差距仍然巨大。本叙述性综述审视了AI在受者选择与优先排序、器官分配、供者与移植物评估、围手术期以及长期管理中的运用，并特别关注活体供肝移植。检索PubMed和Scopus数据库截至2026年7月，利用受TRIPOD+AI、PROBAST+AI和DECIDE-AI启发的五级成熟度框架对所识别的应用进行了评估。最成熟的证据集中在三个领域：经外部验证的分配模型（如GEMA-AI）、早期移植物功能障碍和急性肾损伤的围手术期预测，以及活体供者自动计算机断层扫描体积测量。然而，该领域仍主要由概念验证和内部验证研究主导；本综述中未识别出任何应用在前瞻性干预评估中证明了患者结局的改善，或在肝脏移植中达到常规监管批准使用。另一个局限在于现有数据来源与全球实践的错位：最强有力的模型主要解决死亡供者相关问题，而活体供者专项研究集中于体积测量和分割，很少涉及供者安全性。当前进展的关键已不在于日益复杂的算法，而在于跨地区和供者类型的外部验证、前瞻性临床影响研究、互操作性数据基础设施、透明的公平性标准，以及在活体供者为主的场景中的多中心合作。

章节摘要

临床问题

肝脏移植是终末期肝病、肝细胞癌（HCC）和急性肝衰竭的确定性治疗方法。其许多决策需要在信息不完整的情况下快速做出。医疗团队必须决定将哪位患者列入等待名单以及何时列入、是否接受短时间内提供的边缘性移植物、受者需要多大的移植物，以及患者在多年中将能耐受多少免疫抑制。每项决策都将少量可测量变量与临床

机器学习模型的评估

临床医生不需要构建这些模型，但他们需要评判模型所做的声明。四个区分要点承担了大部分评估任务。

受者选择与优先排序

候补评估结合了临床判断与固定评分（如MELD或英国终末期肝病模型）。这些评分客观且可重复，但将异质性人群简化为少数几项实验室指标。在此处支持机器学习的论点较为狭窄：它可利用评分所丢弃的信息。

效用与公平

每种分配系统都需平衡两项义务：从稀缺器官中获得最大效益，以及确保每位符合条件的患者都有公平的机会获得器官。效用倾向预期预后最佳者，而公平则考量等待时间、紧急程度及对弱势群体的保护。42,43 优先考虑效用会使预后较差的紧急患者处于劣势，而优先考虑公平可能降低总体移植物存活率。44 转诊模式、地理因素及就医

供者与移植物评估

供者评估的目的是接受能够发挥功能的移植物，拒绝那些不能正常工作的移植物，从而避免原发性无功能、早期移植物功能障碍和小肝综合征。这正是死亡供者与活体供者实践差异最大的领域，也是机器学习对两者应用最富有成效的地方。

预测模型

术中及术后早期决策具有时间紧迫性和数据密集性，这使得它们成为预测模型的天然目标。基于围手术期变量、血流动力学监测和早期生化趋势训练的模型可以在临床征象出现之前预判并发症，且机器学习相比传统统计学方法在此处的优势尤为显著。在韩国某单一中心的1,211例受者中，梯度提升模型预测急性肾损伤的AUROC为0.90，而逻辑

他克莫司剂量

维持免疫抑制治疗是个体化而非方案化的，89,90 其长期任务众所周知：剂量足够以防止排斥反应，又不至于过量引发肾衰竭、代谢综合征、感染和恶性肿瘤。91,92 部分受者可以耐受免疫抑制药物的撤除，但目前没有生物标志物能可靠地提前识别出这些患者。93 他克莫司是机器学习的一个合理目标。它具有狭窄的治疗窗和高个体间药代动力学变异性，其剂量-暴露

综合总结与未来方向

在移植通路的每个环节上，两个观察结果反复出现。

未引用参考文献

1.; 2.; 3.; 4.; 5.; 6.; 7.; 8.; 9.; 10.; 11.; 12.; 13.; 14.; 15.; 16.; 17.; 18.; 19.; 20.; 21.; 22.; 23.; 24.; 25.; 26.; 27.; 28.; 29.; 30.; 31.; 32.; 33.; 34.; 35.; 36.; 37.; 38.; 39.; 40.; 41.; 42.; 43.; 44.; 45.; 46.; 47.; 48.; 49.; 50.; 51.; 52.; 53.; 54.; 55.; 56.; 57.; 58.; 59.; 60.; 61.; 62.; 63.; 64.; 65.; 66.; 67.; 68.; 69.; 70.; 71.; 72.; 73.; 74.; 75.; 76.; 77.; 78.; 79.; 80.; 81.; 82.; 83.; 84.; 85.; 86.; 87.; 88.; 89.; 90.; 91.; 92.; 93.; 94.; 95.; 96.; 97.; 98.; 99.; 100.; 101.;

作者贡献

AD：概念构思、文献检索、稿件撰写。AA：文献综述、稿件撰写与编辑。SA：概念构思、关键性修订、指导及终稿批准。

利益冲突

作者声明不存在利益冲突。

数据可用性

本叙述性综述未生成或分析任何新数据集。

生成式AI及AI辅助技术在稿件准备过程中的声明

在本工作的准备过程中，作者使用Claude（Anthropic）和ChatGPT（OpenAI）进行语言编辑和稿件格式调整。在使用这些工具后，作者按需审查和编辑了内容，并对出版物的内容承担全部责任。未使用任何生成式AI图像工具制作图形摘要。

资金支持

本研究未获得公共、商业或非营利部门资助机构的任何专项资助。

利益声明

? 作者声明不存在已知的、可能影响本文所报告工作的竞争性财务利益或个人关系。

Akhil Deshmukh|Ashritha Avalareddy|Sonal Asthana