机器学习预测炎症性肠病患者生物制剂治疗应答：迈向精准医学的系统综述与转化前景

《Sage Open Pathology》：Machine Learning Approaches to Biologic Therapy Response in Inflammatory Bowel Disease: A Review Article

　　

炎症性肠病（Inflammatory Bowel Disease, IBD）涵盖克罗恩病（Crohn's Disease, CD）与溃疡性结肠炎（Ulcerative Colitis, UC），仍是一种复杂且异质性的疾病，患者对生物制剂的反应存在显著个体差异。尽管以抗肿瘤坏死因子（anti-TNF）药物、整合素抑制剂及白介素-12/23（interleukin-12/23）抑制剂为代表的生物制剂已取得显著进展，治疗结局仍受限于原发性无应答、继发性疗效丧失、免疫原性以及高昂的医疗成本。人工智能（artificial intelligence, AI），特别是机器学习（machine learning, ML）与深度学习（deep learning, DL）算法的发展，为解决上述挑战提供了新的机遇，其途径在于整合多样化的临床、实验室、影像、组织学、遗传及微生物组数据。近期研究表明，基于AI的模型在预测生物制剂应答、疾病缓解及不良结局方面实现了高准确度，且优于传统统计学方法。AI在实时内镜评估、组织学分级及疾病进展预测方面也展现出良好前景，从而支持更早的干预与个体化治疗。然而，现有模型受限于数据规模有限、异质性、缺乏大规模前瞻性验证，以及可解释性、透明度与患者隐私方面的顾虑。未来的研究应优先推进多中心试验、外部验证以及符合伦理的AI临床整合。总体而言，AI驱动的生物制剂治疗应答预测代表了迈向IBD精准医学的关键一步，有望优化治疗策略、减少无效治疗暴露并改善患者结局。

**引言**
克罗恩病（Crohn's Disease, CD）与溃疡性结肠炎（Ulcerative Colitis, UC）同属炎症性肠病（Inflammatory Bowel Disease, IBD），为累及胃肠道（gastrointestinal, GI）的慢性复发性炎症，由遗传、微生物组、环境及免疫异质性驱动。CD多见末段回肠与结肠，呈透壁性不连续炎症及"跳跃性病变"，可致狭窄、瘘管与脓肿；UC局限于结肠与直肠，呈连续性黏膜炎症。患者常伴腹痛、慢性腹泻及关节、葡萄膜炎等肠道外表现。生物制剂虽改善疾病控制，但受限于原发无应答、继发疗效丧失、高成本与不良反应，亟需预测工具优化治疗选择。AI与ML整合多模态临床与生物数据，有望实现治疗应答与疾病进展的精准预测。

**文献检索策略**
研究人员检索PubMed/MEDLINE、Scopus与Web of Science中2015年1月至2025年3月文献，结合"炎症性肠病""人工智能""机器学习""深度学习""生物制剂治疗""精准医学"等关键词及MeSH词；纳入原创研究、队列、临床试验与高质量综述，排除无关应用、无全文摘要、社论、病例报告及非英文文献，经初筛、全文复筛及参考文献手工检索确定纳入研究。

**IBD的生物制剂治疗**
抗TNF、抗整合素与抗IL-12/23制剂显著改善IBD治疗，但部分患者原发无应答或继发疗效丧失，多与免疫原性、抗药物抗体（anti-drug antibodies, ADAs）及亚治疗浓度相关，选择需综合合并症、既往治疗史与安全性。抗TNF药（英夫利西单抗、阿达木单抗）中和TNF-α；维得利珠单抗阻断α₄β₇整合素抑制淋巴细胞向肠道迁移；乌司奴单抗靶向IL-12/23共有p40亚基。PANTS研究显示HLA-DQA1*05携带者抗TNF免疫原性率近45–50%，风险约增两倍，凸显将宿主遗传整合入ML模型以优化患者分层的潜力。

**医学中的人工智能**
AI旨在模拟人类感知、判断与选择能力，ML算法随数据积累自我改进，深度学习（deep learning, DL）利用堆叠神经网络自动识别复杂输入中的模式。消化领域，卷积神经网络（convolutional neural networks, CNN）实现胃肠病变实时检测，ResNet-LSTM多疾病分类AUC逾97%。UC内镜研究显示：基于原始结肠镜视频自动评分MES的DL系统AUC达0.84–0.85；基于12,000余张内镜图像的CNN模型诊断缓解准确率达97%，优于医师预测组织学缓解；基于1,550,000帧视频的DL模型MES与UCEIS预测与专家一致性极佳（kappa最高0.90）。

**预测IBD生物制剂治疗应答的AI模型**
AI整合电子病历、内镜影像与多组学数据辅助个体化治疗。Sch?ler等基于逾10万IBD患者测试六种ML算法，LightGBM总体准确率74%最优；CNN模型预测抗TNF药、维得利珠单抗等应答，联合临床与影像信息时准确率更高；ML预测CD英夫利西单抗应答准确率0.85；随机森林（random forest, RF）预测硫嘌呤应答优于logistic回归。Takenaka等基于875例UC患者预测组织学缓解；含HSD3B1、MUC4、CF1与CCL11的四基因模型预测乌司奴单抗应答。Iacucci等基于273例UC患者535份活检的AI区分组织学缓解与活动性并预测复发，敏感度94%、特异度85%，PHRI预测复发的HR达4.64，经外部验证确认。

**影像组学与IBD达标治疗策略**
影像组学（radiomics）将MRE、CTE与肠道超声转化为定量生物标志物，提取反映组织异质性、炎症、纤维化及结构重塑的特征。其在以达成内镜愈合、透壁愈合与持续缓解为目标的达标治疗（treat-to-target）中尤为重要，可评估肠壁愈合、纤维化、穿透病变、脓肿与瘘管，弥补内镜无法评估透壁炎症的不足。未来多模态AI将整合影像组学、内镜、组织病理、多组学及电子病历数据；影像协议标准化、跨机构外部验证与监管审批仍是临床应用前提。

**研究结果的准确性**
Zand等利用大型理赔与电子健康记录数据，随机森林与惩罚回归（LASSO）预测住院、手术、长期激素使用及生物制剂启动的AUC约0.70–0.92，神经网络AUC 0.60–0.90，支持向量机较弱；Atreya等结论相似，关键预测因素包括既往用药、医疗利用与住院史。总体可见：集成方法（随机森林与梯度提升）在常规数据预测中一致优于传统回归；DL（尤其CNN）纳入影像时性能最高；多模态模型优于单数据源模型。但研究间因人群、结局定义、药物、输入变量与验证策略异质性大，且多为回顾性单中心队列，难以直接比较。

**挑战与局限性**
AI模型依赖大规模高质量数据，但多数研究样本量小、异质性高、数据缺失，泛化能力受限，外部数据集上效能常下降，需前瞻性多中心研究确认。可解释性不足是主要障碍，深度模型多为"黑箱"，降低临床信任并妨碍监管审批；可解释人工智能（explainable artificial intelligence, XAI）技术如SHAP与LIME可量化变量贡献、提升透明度。伦理与实践挑战包括患者隐私保护、以电子健康记录决策支持形式融入工作流程、数字基础设施与互操作性、标准化数据采集、人员培训、监管审批及算法持续监测。

**未来方向**
未来AI将整合基因组、转录组、蛋白组、代谢组、表观组及微生物组等多模态"组学"数据，识别分子表型（内型，endotypes）以驱动IBD分类与治疗。数字孪生（digital twins）构建个体虚拟模型模拟疾病轨迹并预测治疗应答，可支持合成对照臂；联邦学习（federated learning）在保护隐私前提下跨机构开发模型。未来应优先开展前瞻性多中心验证、标准化报告、跨系统互操作及可解释AI，并依赖多学科协作。

**IBD中的数字孪生**
数字孪生利用纵向临床、影像、分子及治疗数据构建个体虚拟模型，模拟疾病轨迹并预测包括生物制剂在内的个体化治疗应答。当前应用多属实验与科研阶段，可通过合成对照臂减少受试者数量、提升伦理可行性；但数据标准化、模型验证、可解释性与监管接受度仍存挑战，应视为研究性概念。

**结论**
生物制剂显著改善IBD管理，但疗效随时间下降且经济负担沉重。AI通过整合实验室、临床、内镜、组织病理、遗传与微生物组数据，识别常规方法难以察觉的细微模式。ML与DL算法可较准确预测维得利珠单抗、英夫利西单抗、乌司奴单抗等生物制剂应答及疾病进展、激素使用、住院与长期缓解，支持更早干预与治疗规划。然而现有模型依赖异质或小数据集、多为回顾性研究且缺乏大规模外部验证，可解释性、透明度、偏倚与隐私问题须审慎处理；亟需高质量前瞻性多中心研究推动AI决策支持融入IBD标准实践，迈向真正的个体化医学。