《Hepatology Research》：Toward a Synthetic Data Revolution: Diffusion Model-Enhanced Hepatocellular Carcinoma Prediction in Steatotic Liver Disease
编辑推荐：
**目的**：代谢相关脂肪性肝病（SLD）涵盖具有不同肝细胞癌（HCC）风险的异质性谱系。有限的样本量限制了预测模型的开发，尤其是对于罕见结局。本研究评估了基于生成式人工智能（AI）的合成数据增强是否可改善SLD患者的HCC风险预测。
**方法**：研究人员
**目的**：代谢相关脂肪性肝病（SLD）涵盖具有不同肝细胞癌（HCC）风险的异质性谱系。有限的样本量限制了预测模型的开发，尤其是对于罕见结局。本研究评估了基于生成式人工智能（AI）的合成数据增强是否可改善SLD患者的HCC风险预测。
**方法**：研究人员利用406例经活检证实的SLD患者数据开发了随机生存森林（RSF）模型。数据集被分为训练集（n=284）和测试集（n=122）。采用两种合成数据生成方法，即条件表格生成对抗网络（CTGAN；一种生成对抗网络[GAN]）和扩散模型，将训练数据集从284例增强至1000例样本。模型性能通过Harrell's C指数和综合Brier评分（IBS）进行评估。合成数据质量通过最大均值差异（MMD）和Wasserstein距离进行评估。
**结果**：在平均随访5.9年期间，12例（3.0%）患者发生HCC。在测试队列中，基线RSF模型的C指数为0.912。增强后，扩散模型增强模型的C指数提高至0.949，而GAN增强模型则降至0.818。扩散模型生成数据表现出更优的保真度，其MMD（0.0303 vs. 0.0762）和Wasserstein距离（0.0467 vs. 0.1145）均低于GAN生成数据。两种增强方法均改善了校准度（IBS：扩散模型0.0103；GAN 0.0108 vs. 基线0.0114）。
**结论**：基于扩散模型的合成数据增强改善了测试队列中的HCC风险预测，而GAN增强则降低了模型准确性。这些发现表明，扩散模型可能有助于解决肝病研究中的数据稀缺挑战，为有限队列中预测模型的开发提供一种有用的方法。
本研究发表于《Hepatology Research》，聚焦于代谢相关脂肪性肝病（SLD）患者肝细胞癌（HCC）风险预测这一重要临床问题。SLD代表了一组以肝脏脂肪变原为特征的异质性疾病谱系，包括代谢功能障碍相关脂肪性肝病（MASLD）、酒精相关肝病（ALD）、MASLD伴酒精摄入增加（MetALD）以及隐源性SLD。2023年提出的这一新命名法认可了代谢因素与酒精相关因素在肝病进展中的复杂相互作用。不同SLD亚型发生HCC的风险差异显著，其致癌机制由代谢相关和酒精相关的不同病理生理学途径驱动。这种异质性给构建覆盖整个SLD谱系的统一风险预测模型带来了巨大挑战，而现有研究因样本量有限、数据不完整以及无法捕捉代谢、炎症和纤维化因素间复杂的非线性交互作用，难以建立稳健的预测模型。
在此背景下，研究人员开展了这项旨在评估生成式AI合成数据增强能否改善SLD患者HCC风险预测的研究。研究纳入了2004年1月至2023年9月期间在该机构接受肝活检且临床怀疑SLD的406例患者，排除病毒性肝炎、自身免疫性肝炎、药物性肝损伤、原发性胆汁性胆管炎或胆道梗阻等其他病因患者。收集的15项基线临床和实验室参数包括：年龄、性别、体重指数（BMI)、肝脏硬度测量(LSM)、酒精摄入量、糖尿病(DM)有无，以及白蛋白(ALB)、总胆红素(TB)、天冬氨酸转氨酶(AST)、丙氨酸转氨酶(ALT)、γ-谷氨酰转移酶(GGT)、碱性磷酸酶(ALP)、血小板计数(PLT)、凝血酶原时间(PT)和甲胎蛋白(AFP)。
研究人员采用的关键技术方法包括：将数据集按7:3随机分为训练集和测试集；运用随机生存森林(RSF)算法作为基础预测模型，该模型专为生存分析设计，能够捕捉变量间复杂的非线性关系与交互作用，无需满足比例风险假设；采用两种生成式AI方法进行合成数据增强——条件表格生成对抗网络(CTGAN)和基于去噪扩散概率过程的扩散模型，将训练集从284例扩增至1000例；通过最大均值差异(MMD)和标准化Wasserstein距离评估合成数据保真度；利用主成分分析(PCA)和t分布随机邻域嵌入(t-SNE)进行可视化评估；采用Harrell's C指数评估区分能力，综合Brier评分(IBS)评估整体预测准确性（涵盖区分度和校准度）；运用基于置换的变量重要性评分评估各变量的预测贡献；并与PAGE-B、mPAGE-B以及基于FIB-4和FibroScan的两步法三种临床风险分层方法进行比较；最后采用L1惩罚Cox回归(Cox Lasso)进行敏感性分析。
患者特征与基线模型开发。研究纳入的406例患者中位年龄54岁，男性占63.3%。在平均随访5.9年期间，仅12例（3.0%）患者发生HCC，3年和5年累积发生率分别为1.3%和2.2%。训练集与测试集在所有基线特征上均均衡良好。基线RSF模型在测试队列中表现出优秀的区分能力（C指数0.912，95%置信区间[CI]：0.857-0.968），IBS为0.0114。变量重要性分析显示，LSM、PLT、年龄、DM有无、BMI和酒精消费是预测HCC发展的最重要变量。
合成数据质量评估。两个生成模型均在原始训练集上训练以学习底层数据分布，随后生成合成样本将训练数据集扩增至1000例。扩散模型生成数据的MMD显著低于GAN生成数据（0.0303 vs. 0.0762），标准化Wasserstein距离同样更优（0.0467 vs. 0.1145），两种方法的数值均低于预设的可接受保真度阈值（1个标准差）。两种合成数据集中的HCC边际发生率均得到保持（扩散模型：16/716，2.2%；GAN：34/716，4.7%；接近原始训练集的9/284，3.2%）。PCA和t-SNE可视化显示，扩散模型生成的样本与原始数据广泛重叠，而GAN生成样本在原始数据占据的区域分布不够均匀。
增强模型的比较性能。在测试集上，GAN增强模型的C指数降至0.818（95%CI：0.722-0.913），较基线下降0.094，IBS为0.0108；而扩散模型增强模型C指数升至0.949（95%CI：0.892-1.000），较基线提高0.037，IBS为0.0103。两种增强模型的校准度均优于基线模型。配对比较显示，扩散模型增强模型显著优于GAN增强模型（差异0.131，95%CI：0.067-0.196，p<0.001），GAN增强模型显著差于基线（差异-0.095，p=0.033），而扩散模型增强较基线的改善未达统计学显著性（p=0.236）。与三种临床风险分层方法比较，扩散模型增强RSF模型的区分能力数值上更高：PAGE-B的C指数为0.890，mPAGE-B为0.788，FIB-4与FibroScan两步法为0.847；扩散模型增强模型与两步法的差异具有统计学显著性（p<0.001）。
扩散模型增强模型的风险分层。按预测风险评分三分位将测试队列分为低风险（n=41）、中风险（n=40）和高风险（n=41）组，测试队列中观察到的3例HCC事件全部集中于高风险组，低风险和中间风险组均无事件发生（对数秩检验P=0.054）。
Cox Lasso敏感性分析。扩散模型增强模型保持了与基线相当的测试区分能力（C指数0.883，95%CI：0.819-0.948 vs. 基线0.883，95%CI：0.810-0.957）。GAN增强模型的训练区分能力显著降低（C指数0.655，95%CI：0.574-0.736），而基线和扩散模型增强模型均为0.826，提示GAN生成数据降低了模型拟合稳定性。三组间测试C指数的比较未达统计学显著性。
讨论部分指出，虽然合成数据生成在计算机科学和工业领域已显示出前景，但其在肝病学领域的应用仍然十分有限。本研究发现扩散模型增强可改善RSF模型对SLD患者HCC风险的预测性能（C指数从0.912提升至0.949），而GAN增强反而降低了区分性能（C指数0.818）。扩散模型生成数据的优越保真度通过显著更低的MMD和Wasserstein距离得以证实，表明扩散模型能更准确地捕捉底层数据分布并保存关键变量关系。扩散模型增强模型在数值上优于三种已建立的临床风险分层方法，并与两步法有统计学显著性差异。测试队列中所有观察到的HCC事件均集中于高风险三分位组，尽管对数秩检验未达常规统计学显著性（P=0.054），可能归因于事件数较少，但这种完全的事件集中模式提示该模型具有指导监测强度的潜在临床应用价值。
研究人员分析了两种模型性能分化的原因：扩散模型采用渐进去噪过程，在整个生成过程中维持数据结构，可能更好地保存了生物标志物、临床特征与结局之间微妙的关联，这对于准确风险预测至关重要。LSM和PLT作为模型中两个最具影响力的预测因子，通过进行性肝纤维化生物学上相互关联——随纤维化进展，肝脏硬度升高而血小板计数因门静脉高压和脾功能亢进而下降，这些变化进一步与白蛋白、凝血酶原时间等肝细胞储备标志物交织。合成数据中忠实再现这些多变量非线性相关性对于准确HCC风险建模至关重要，而扩散模型的渐进去噪轨迹可能比GAN的对抗训练更好地保存这种变量间依赖性。GAN虽然有效，但在小样本异质性医学数据集中可能遭遇模式坍塌，导致过度简化的合成样本无法捕捉疾病表型的完整复杂性，t-SNE可视化中GAN生成样本分布不均匀的现象与此一致。
该研究的意义超越技术方法论层面，触及医学AI开发的根本挑战。通过扩散模型实现高保真合成数据生成以大幅扩充训练数据，为在患者数量有限或罕见疾病队列中的机构普及先进预测建模提供了机遇。此方法对肝病研究尤为重要，因为SLD亚型的异质性和HCC发展的相对罕见性常导致研究统计学效力不足。扩散模型合成数据增强能够在保护患者隐私的同时生成临床有意义的合成数据，代表了医学AI研究开展方式的范式转变，可能加速AI模型的开发与验证。
研究存在以下局限性：单中心活检设计限制了外部有效性，可能无法充分代表不同种族、地理区域和医疗系统中的SLD表型异质性；HCC事件数有限（仅12例）显著限制了亚组分析的统计效力，尽管扩散模型增强在数值上改善了C指数，但该改善未达统计学显著性（p=0.236），可能需要更大外部队列的验证；低事件-变量比（12个事件对应15个变量）可能使模型性能依赖于方法学选择，Cox Lasso敏感性分析显示扩散模型增强模型测试区分能力与基线相当，GAN增强模型训练区分能力显著降低，提示扩散模型增强可能比GAN增强更稳定；合成数据保真度的临床效度和时间稳定性有待独立队列的前瞻性验证；最优合成-真实数据比例和增强缩放极限因疾病背景和结局频率而异，本研究策略是否为最优方案尚需在不同临床场景中进一步探索。
**研究结论**：扩散模型合成数据增强改善了SLD患者的HCC风险预测。扩散模型在保存复杂临床相关性方面的优越能力，为在有限患者队列中开发稳健预测模型提供了有前景的解决方案。这些发现表明，基于扩散模型的合成数据生成能够通过克服数据稀缺性变革肝病学研究，并可能加速精准医学方法在罕见肝脏疾病结局中的应用开发。
