《Frontiers in Immunology》：Artificial intelligence driven exposome and multi omics integration for biomarker discovery in liver cancer: a literature review
编辑推荐：
原发性肝癌（primary liver cancer）是全球癌症死亡的主要原因，肝细胞癌（HCC）是主要组织学亚型。本文献综述综合了当前关于暴露组学（exposome）、多组学（multi-omics）景观及基于人工智能（AI）的整合策略的证据，这些证据与肝癌
原发性肝癌（primary liver cancer）是全球癌症死亡的主要原因，肝细胞癌（HCC）是主要组织学亚型。本文献综述综合了当前关于暴露组学（exposome）、多组学（multi-omics）景观及基于人工智能（AI）的整合策略的证据，这些证据与肝癌生物标志物发现相关，重点关注生物学原理、新兴临床应用及转化局限性。关键病因学驱动因素包括病毒性肝炎、酒精性肝病和代谢功能障碍相关脂肪性肝病（MASLD），所有这些因素均与生命历程中的环境暴露相互作用。生物标志物发现越来越依赖于整合暴露相关信号与基因组、表观基因组、转录组、蛋白质组、代谢组和空间解析数据。肝癌发生涉及慢性肝损伤、环境模式化分子扰动和动态肿瘤-宿主相互作用的复杂相互作用。研究人员强调一种基于暴露组学信息的多模态策略，其中可解释的AI模型可识别用于早期检测、预后分层和治疗指导的临床相关特征。当前证据的关键局限性包括不完整的暴露评估、异质性数据平台、回顾性研究设计、有限的外部验证以及模型透明度不足。新兴方法，包括蛋白质组基因组学（proteogenomics）、脂质组学（lipidomics）、单细胞（single-cell）和基于数字病理学（digital pathology）的建模，显示出前景，但需要在病因多样化的队列中进行进一步验证。本综述的目的是批判性地审视AI如何将暴露组学相关信息与多组学数据整合，用于肝癌生物标志物发现。在此，特别关注暴露-生物标志物序列、免疫-代谢重塑、液体活检（liquid biopsy）转化以及将高维特征缩减为临床可部署的检测方法。
论文主体部分总结如下：
**1 引言**
原发性肝癌是全球癌症死亡的主要原因，肝细胞癌（HCC）是主要组织学亚型。尽管在监测、影像学、局部区域治疗和系统治疗方面取得了进展，但许多患者在可治愈干预阶段之后才被诊断，且尚无理想的生物标志物在早期检测或精确风险分层方面达到一致性能。HCC的病因学谱也在演变，酒精性肝病和代谢功能障碍相关脂肪性肝病（MASLD）的贡献增加，同时病毒性肝炎的负担持续存在。在此条件下，生物标志物发现必须超越孤立分析物，转向更准确反映疾病起始、进展和患者间异质性的整合模型。因此，需要更广泛的分析框架来连接因果暴露、分子改变和临床上有用的分类。暴露组学（exposome）通过考虑生命历程中外部和内部暴露的累积影响提供了这一视角，包括污染物、饮食和生活方式因素、职业化学物质、微生物代谢物和宿主代谢反应。在肝脏疾病研究中，暴露组学研究强调了空气污染、挥发性化合物、内分泌干扰物、全氟和多氟烷基物质（PFAS）以及肠-肝轴扰动，这些都可能通过炎症、代谢和表观遗传机制影响肝癌发生。人类证据开始更直接地支持这一关系，因为诊断前全氟辛烷磺酸（PFOS）暴露与非病毒性HCC风险增加以及葡萄糖、氨基酸和胆汁酸代谢紊乱相关。这些发现表明，环境模式化的分子变化应被视为生物标志物景观的一部分，而不仅仅是背景病因信息。这一观点对肝癌尤为重要，因为肝脏既是许多终生暴露的靶点，也是处理器官。同时，HCC是一种生物学异质性恶性肿瘤，其临床相关特征无法仅通过单组学测量充分捕获。整合基因组、表观基因组、转录组、蛋白质组和代谢组数据的多组学（multi-omics）策略越来越多地应用于识别候选生物标志物、定义分子亚型和预测治疗反应。最近的肝癌和精准肿瘤学综述表明，机器学习和深度学习方法现在是这一努力的核心，因为它们可以跨不同数据层建模非线性关系，并检测使用传统分析流程难以解析的复杂特征模式。然而，这些方法的转化价值仍受限于有限的外部验证、数据协调挑战、队列多样性不足以及常规临床实施缺乏可解释性。对于肝癌，暴露组学科学、多组学分析和人工智能（AI）的汇聚尤为重要，因为疾病风险和肿瘤行为由慢性肝损伤、环境背景和动态肿瘤-宿主相互作用共同塑造。忽略暴露史的分析模型可能错过分子失调的上游驱动因素，而缺乏深层分子表型的暴露中心方法可能无法识别稳定且具有机制信息的生物标志物。本综述的目的是批判性地审视人工智能如何将暴露组学相关信息与多组学数据整合，用于肝癌生物标志物发现，重点强调生物学原理、当前方法学策略、新兴临床应用和主要转化障碍。本综述旨在阐明当前证据基础并定义未来研究重点。因此，本综述的独特贡献不是另一篇HCC组学或AI方法的总结，而是一个暴露组学-生物标志物框架，连接暴露测量、免疫和代谢失调、多组学扰动、基于模型的整合和临床检测开发。
**1.1 综述方法与文献选择**
为透明起见，文献通过针对PubMed/MEDLINE、Web of Science、Scopus和Google Scholar的定向检索确定，从数据库建立初至最终修订，并辅以主要综述和原始研究的引文追踪。检索词结合了肝癌、肝细胞癌、暴露组学、环境暴露、PFAS、空气污染、MASLD、多组学、基因组学、表观基因组学、转录组学、蛋白质组学、代谢组学、脂质组学、单细胞、空间组学、人工智能、机器学习、深度学习、液体活检、免疫微环境、免疫治疗和生物标志物发现。优先考虑同行评审的人类研究、前瞻性或巢式病例对照设计、病因学注释队列、基于多组学或AI的研究以及临床导向的生物标志物报告。机制性动物或体外研究在阐明暴露相关免疫-代谢或分子通路时有选择地使用。当研究缺乏肝癌相关性、未提供足够方法学细节或做出未经支持的生物标志物声明时，被排除。由于本文是叙述性文献综述而非系统综述或荟萃分析，研究选择强调概念相关性、可重复性、验证策略、病因学多样性和临床准备度。
**2 暴露组学与肝癌：生物标志物发现的概念基础**
暴露组学为研究肝癌提供了生物学基础，因为它考虑了生命历程中外源性和内源性暴露的累积效应。这一观点对肝细胞癌尤其相关，因为肝脏是外源性物质摄取、生物转化和炎症信号传导的主要部位。在实践中，肝癌发生很少反映单一打击。病毒性肝炎、酒精使用、饮食过量、霉菌毒素、持久性污染物和空气传播污染物与宿主代谢和慢性组织损伤共同作用，塑造风险、转化时机和个体间变异性。从生物标志物角度看，有用的候选物不应仅限于已确立肿瘤负荷的指标，还应捕获暴露史、生物学反应和放射学可检测疾病之前的早期分子偏差。从概念上讲，暴露组学-生物标志物路径可以组织为顺序但部分重叠的过程：外部暴露和暴露混合物；内部剂量、肝脏摄取和生物转化；涉及氧化应激、炎症、免疫-代谢重编程和表观遗传重塑的生物学反应；组织或循环中的临床前分子改变；肿瘤出现；进展；以及治疗反应或耐药。该序列很有用，因为它迫使每个候选生物标志物被分配到一个生物学区间，从而更清楚地表明信号反映的是风险、早期转化、肿瘤负荷、侵袭性还是治疗敏感性。暴露测量方式同样重要。地理空间空气污染模型和土地利用回归可在人口尺度上提供长期外部暴露估计，但可能个体特异性有限；问卷和职业史捕获饮食、酒精、烟草、工作相关因素和生活方式模式，但易受回忆误差和粗略时间影响；血浆或血清化学测量和加合物组学（adductomics）为内部剂量提供更强的生物学特异性，但可能代表近期或偶发性暴露，除非重复测量；代谢组学特征和非靶向高分辨率质谱拓宽了化学空间覆盖，但需要严格的注释、批次控制和跨平台协调。这些差异影响暴露变量是否适合风险预测、机制解释或临床检测开发。时间设计至关重要，因为HCC中的许多代谢组学、脂质组学和炎症特征可能是肝硬化、肿瘤负荷、恶病质、饮食改变或肝功能受损的后果，而非恶性转化的原因或早期指标。具有诊断前生物样本、重复采样和巢式病例对照分析的前瞻性队列可减少反向因果，评估个体内轨迹，并识别在影像学诊断或临床失代偿前出现的信号。直接的人类和分子数据支持这一立场。黄曲霉毒素相关HCC是一个明确例子，说明确定的暴露可留下肿瘤特异性分子特征，包括区分病因学子集的典型突变模式。类似地，诊断前PFOS暴露与非病毒性HCC风险增加以及葡萄糖、氨基酸和胆汁酸代谢变化相关，表明暴露相关的代谢紊乱可能在临床诊断前可测量。将环境空气污染与肝癌风险联系起来的证据进一步表明，长期环境负担不应在生物标志物研究中被视为背景噪声。如表1所示，暴露组学的概念价值在于将外部暴露、内部剂量、分子扰动和临床应用连接在同一疾病过程中。核心含义是肝癌生物标志物发现应追踪从暴露到生物学效应的序列，而不是将肿瘤与其病因背景隔离。
**3 肝癌的多组学景观**
肝癌的多组学景观表明，肝细胞癌不是单一分子实体，而是一种生物学异质性疾病，由反复出现的驱动改变、拷贝数变化、表观遗传不稳定性以及可变的免疫和代谢重编程定义。大型整合基因组研究确定了涉及TERT启动子、TP53和CTNNB1的频繁改变，以及影响染色质调控、氧化应激反应和细胞周期控制的较少见事件，而更近期的全基因组分析进一步扩展了编码和非编码驱动因子、突变特征、染色体外环状DNA和亚克隆灾难性事件的目录。如图1所示，整合分类研究随后定义了主要亚类，其特征为增殖或干细胞样特征伴有染色体不稳定性、CTNNB1突变肿瘤伴有相对免疫抑制，以及代谢疾病相关肿瘤伴有不同的炎症组成和临床行为。这些发现表明，单独基因组信息不能完全解释与生物标志物发现相关的生物学多样性。在表观基因组和转录组水平，肝癌表现出DNA甲基化、染色质状态和谱系相关转录程序的协调变异，这些与肿瘤表型密切相关。整合基因表达、甲基化、突变状态和临床病理注释的数据集显示，转录组亚类在增殖、干性、肝细胞分化、肝功能和预后方面存在差异，而组织学亚型与特定基因改变和分子类别强烈相关。表观遗传研究进一步表明，异常DNA甲基化、组蛋白修饰和染色质重塑事件从前肿瘤阶段开始参与，并导致去分化、代谢失调和治疗耐药。因此，除非同时考虑其表观遗传背景，否则转录水平候选物不太可能被正确解释。蛋白质组和磷酸化蛋白质组研究实质上完善了对肝癌异质性的解释，因为mRNA丰度和蛋白质活性不是可互换的测量指标。在早期HBV相关肝细胞癌中，蛋白质组分析确定了三个临床不同的亚型，以胆固醇稳态紊乱和高SOAT1表达为特征的亚组显示出特别不良的结局，同时对SOAT1抑制具有实验敏感性。随后的HBV相关和病因多样化的蛋白质组基因组学分析显示，在基因组、转录组、蛋白质组和磷酸化蛋白质组之间存在一致性和不一致性，并将特定分子聚类与代谢重编程、微环境失调、激酶激活以及Wnt/β-catenin、AKT/mTOR、Notch、细胞周期和DNA损伤信号改变联系起来。因此，蛋白质组基因组学数据不仅提供候选生物标志物，还提供功能信息，有助于确定哪些异常最可能具有临床信息性。单细胞分析表明，肝癌是由恶性肝细胞、髓系细胞群、淋巴细胞亚群、内皮细胞和基质细胞之间的相互作用组织的，而非仅由肿瘤细胞特征决定。高分辨率免疫分析显示出肝细胞癌中耗竭T细胞、调节性T细胞、树突状细胞和巨噬细胞状态的显著多样性，后来的原发性和转移性疾病图谱确定了异质性恶性肝细胞程序、终末MMP9阳性肿瘤相关巨噬细胞以及与预后相关的微环境亚型。多区域和多维单细胞研究进一步表明，肿瘤内区域变异可能小于关键细胞程序的个体间变异，确定了侵袭性疾病中稳定的配体-受体相互作用，如LGALS9-SLC1A5和SPP1-PTGER4，描述了AFP阳性肿瘤中富含SPP1阳性巨噬细胞信号的抑制性免疫环境，并证明不同的致癌驱动因子组合可施加特定的髓系中心化和T细胞排斥微环境。这些结果表明，细胞组成和细胞-细胞信号本身是可测量的生物标志物生物学组成部分。免疫学解释尤为重要，因为许多与HCC相关的暴露汇聚于慢性炎症和免疫-代谢通路。病毒持续感染、酒精暴露、肥胖相关胰岛素抵抗、污染物和肠-肝轴扰动可影响库普弗细胞活化、巨噬细胞极化、树突状细胞成熟、调节性T细胞积累、细胞毒性T细胞耗竭和免疫排斥。这些过程反映在转录组、蛋白质组、代谢组、单细胞和空间数据中，可能有助于解释为何分期相似的肿瘤对免疫检查点阻断的反应不同。因此，免疫生物标志物应在塑造肿瘤微环境的病因学和暴露组学背景下进行解释。代谢组学和脂质组学研究在肝癌中增加了特别重要的层面，因为肿瘤发生发生在一个控制全身营养处理和异源生物转化的器官中。肝硬化队列中的前瞻性血清代谢组学已将未来肝细胞癌的发展与N-乙酰甘氨酸、氨基酸、胆汁酸、胆碱相关代谢物和微生物群衍生产物的改变联系起来，而血清脂质组学显示，NAFLD相关肝细胞癌具有独特的循环脂质特征，其诊断潜力超过报告队列中的AFP。跨原发性肝癌类型的比较蛋白质组学分析也表明，异常脂质代谢是肝细胞癌的定义特征，而细胞外基质相关程序在肝内胆管癌中更为突出，一个小蛋白组能够高精度地区分这些实体。这一代谢层对生物标志物工作尤其相关，因为它连接了病因背景、肿瘤表型和可及的循环信号。肝癌的多组学景观最好理解为一组相互关联但不等价的分子层，其中驱动突变、表观遗传状态、转录输出、蛋白质活性、代谢物组成和多细胞组织各自贡献部分不同的信息。对于生物标志物发现，核心含义是来自单一层的标志物可能错误分类共享相同临床分期但生物学上不同的肿瘤，而跨多个层观察到的趋同信号更可能在不同病因和疾病状态下保持稳健。因此，有用的策略应优先考虑匹配的多组学采样、精确的病因学注释以及在组织和循环中的验证。病因学异质性具有直接的生物标志物含义，MASLD相关HCC需要特别关注。与病毒相关疾病相比，MASLD相关HCC可能发生在非肝硬化肝脏中，与胰岛素抵抗、脂肪驱动的炎症、脂质处理改变、脂毒性、胆汁酸紊乱和肠-肝轴信号密切相关，并且由于肥胖患者监测效果降低且非肝硬化人群未一致应用常规监测，其检测效率较低。因此，该亚组的生物标志物需要区分代谢性肝损伤与早期恶性转化，脂质组学或炎症信号应针对有无肝硬化的MASLD对照进行验证。
**4 人工智能用于暴露组学与多组学整合**
当暴露组学变量和多组学测量一起分析时，越来越多需要人工智能，因为这些数据在规模、稀疏性、时间结构和生物学意义方面差异显著。当前的整合策略包括特征级融合、潜在空间整合、模型级融合和保留分子层间调控关系的层次感知方法。在肝癌中，这一区别尤为重要，因为环境暴露被捕获为混合物、内部剂量标志物或暴露印记代谢物，而肿瘤相关信号通过甲基化、RNA、蛋白质、磷蛋白、聚糖或脂质读数测量。在此条件下，AI有用不仅因为它改进预测，还因为它可以恢复跨模态的非线性关联，这些关联在单独分析每个数据层时难以检测。因此，核心目标是识别在不同病因背景下仍保持生物学可解释性的生物标志物组合。因此，统一的AI框架应从暴露测量开始，经过慢性肝损伤和免疫-代谢失调，将这些特征与匹配的分子层对齐，然后才测试所得特征集是否改善监测、诊断、预后或治疗选择的决策。在此结构中，AI不是生物学设计的替代品；它是连接时间性、病因学和分子状态的整合层。如表2所示，AI在此环境中信息量最大的用途是暴露表征、跨组学特征选择、亚型定义和临床相关风险估计连接在单一分析过程中。直接联合量化外部暴露组、内部化学负荷和匹配肿瘤多组学的肝癌研究仍有限。然而，现有证据已表明为何这种整合是必要的。在一项诊断前人类研究中，高PFOS暴露与非病毒性HCC风险增加以及葡萄糖、氨基酸、聚糖和胆汁酸通路的扰动相关。同时，针对肝脏的暴露组学分析表明，空气污染物、持久性污染物和肠-肝代谢信号会留下可测量的分子效应，这些效应可通过代谢组学和表观基因组学数据层追溯。这些发现支持将暴露衍生变量视为生物标志物发现的机制相关输入，而非背景协变量。这一分析方向越来越多地得到整合多个分子层与AI建模的HCC研究的支持。Xing等人结合了160个肿瘤的基因组、转录组、蛋白质组和磷酸化蛋白质组图谱，确定了三个具有不同预后、通路活性和预测索拉非尼敏感性的蛋白质组亚型；随后提出了一个简化的九蛋白组用于潜在临床应用。Wang等人利用空间聚糖成像与糖蛋白组学，生成了区分早期HCC和肝硬化的机器学习模型，AUROC值为0.88-0.97，表明跨平台整合可产生血液可及的早期检测标志物。更近期的研究将此方法扩展到预后和微环境分层。一项跨六个HCC队列（包含1110例病例）的多中心分析推导出一个七基因共识AI特征，其性能优于常规临床变量和150个已发表特征，而另一项多组学研究整合了mRNA、lncRNA、miRNA、DNA甲基化、突变、单细胞和空间数据，定义了四个分子亚型和一个与免疫逃逸和区域肿瘤异质性相关的五基因风险模型。可解释深度学习也被应用于识别跨越炎症到癌症转变的12个脂质生物标志物，血浆蛋白质组学结合机器学习产生了用于术前微血管侵犯风险分层的三蛋白模型。当前研究仍受若干持续限制。许多模型在回顾性公共队列上训练，暴露注释不完整，外部暴露组信息通常通过代谢组学扰动间接推断，而非前瞻性测量。跨组学层的缺失数据、队列不平衡和有限的模型透明度进一步限制了临床泛化性。对于肝癌，下一步是设计在相同队列中评估纵向暴露评估、诊断前生物样本、匹配组织和循环分析物以及可解释多模态学习的研究。
**5 人工智能驱动的肝癌生物标志物发现**
人工智能已将肝癌生物标志物发现从单分析物筛选扩展到识别反映协调生物学状态的诊断、预后和治疗反应特征。在肝细胞癌中，这尤为重要，因为分子异质性通常超过常规临床病理分类所能解析的范围。HBV相关肿瘤中的整合蛋白质组基因组学工作表明，跨平台分析可定义与生存相关的亚组，并优先识别与代谢重布线相关的生物标志物，而非孤立表达变化，包括PYCR2和ADH1A。更近期，机器学习应用于多组学数据集，结合单细胞和空间转录组信息，确定了四个分子亚型和一个五基因预后模型，其中低风险组表现出更炎症的肿瘤表型和更大的预期免疫治疗获益。这些发现表明，AI在捕获跨数据层的趋同分子组织时贡献最大，而非在单一组学矩阵内对候选物进行排序。循环生物标志物发现同步推进，尤其是在暴露相关代谢紊乱具有生物学意义的病因学定义疾病状态中。在非酒精性脂肪性肝病相关HCC中，血清脂质组学的机器学习分析识别出一个基于循环脂质组显著重组的诊断评分，该模型在诊断区分方面优于AFP，同时将代谢疾病相关肿瘤与病毒和酒精相关HCC区分开。另一种基于血液的策略使用数据独立采集血浆蛋白质组学和机器学习，从TALDO1、PDIA3和PGK1生成用于术前预测微血管侵犯的PRIM模型，额外的单细胞分析显示这些标志物主要集中于侵袭性肿瘤微环境中的恶性细胞和巨噬细胞。对于暴露组学导向框架，这类研究尤其有价值，因为它们保留了慢性代谢损伤、宿主反应和侵袭性肿瘤行为的信息，这些信息存在于临床可及的生物样本中。液体活检值得特别强调，因为它提供了从慢性肝病到癌症的漫长转变中重复采样的实用途径。循环甲基化DNA、游离DNA特征、蛋白质、糖蛋白、代谢物、脂质和免疫介质可捕获肿瘤衍生信号，同时反映宿主反应和暴露印记生物学，使其适用于组织不可用的监测和早期检测环境。然而，这些检测必须根据肝硬化严重程度、肝功能、溶血、饮食、肥胖、肾功能和炎症活动进行校准，因为这些因素可能稀释或模拟肿瘤相关信号。因此，配对组织-血浆研究和纵向诊断前采样对于液体活检标志物在临床可操作之前是必要的。AI也在将常规组织学转化为分子信息生物标志物的来源。Zeng等人表明，在数字化苏木精-伊红切片上训练的深度学习模型可预测HCC中六个免疫和炎症基因特征，验证AUC范围为0.81-0.92，从而证明组织形态可充当转录组免疫状态的替代物。Seraphin等人扩展了这一概念，表明基于transformer的病理学模型可从单个H&E切片识别预后不良分子亚类和微血管侵犯，AI预测的血管侵犯与较短生存期和免疫抑制微环境相关。该策略对生物标志物转化具有吸引力，因为它减少了对大型分子平台的依赖，同时保留了生物学相关的分层。基于影像的AI生物标志物将相同原理扩展到治疗分层。在接受阿替利珠单抗联合贝伐珠单抗治疗的不可切除HCC患者中，基于预处理CT的整合放射组学-临床模型在预测12个月死亡率方面优于常规指标如BCLC分期和ALBI分级，并将总生存期和无进展生存期明显不同的组分开。当前证据表明，肝癌中最有用的生物标志物将来自AI系统，这些系统能够共同解释病因背景、循环分析物、组织结构和分子程序，而非来自孤立平台。因此，临床转化将取决于前瞻性和病因多样化的队列，其中同时评估预测性能、可解释性和实际临床价值。
**6 当前挑战与局限性**
尽管该领域研究数量不断增加，但暴露组学评估与多组学及人工智能在肝癌中的真正整合仍不常见。最近一篇对肝癌多组学研究的系统综述得出结论，临床验证仍有限，主要未解决问题包括数据整合、模型可解释性和队列多样性不足。同时，暴露组学分析面临更窄但同样重要的限制：当前分析流程尚未以足够灵敏度、注释深度和研究间协调性捕获完整内部化学暴露组，而暴露组范围关联研究还必须适应时间变异性、相关混合物和非均匀暴露测量。因此，许多候选生物标志物仅与部分测量的暴露史相关，连接慢性暴露与分子改变和肿瘤出现的生物学序列通常定义不完整。数据集结构的限制进一步制约了稳健的生物标志物发现。肝脏疾病中的组学衍生生物标志物仍受半定量测量、显著分析变异和跨人群标准化验证缺失的影响。更广泛地说，数据驱动的组学整合面临高维性、共线性、缺失值、不匹配数据类型和批次效应的挑战，当代谢组学、蛋白质组学、表观基因组学、转录组学、临床和暴露变量一起分析时，这些问题变得更加突出。此外，最近一篇肿瘤学综述发现，许多基于AI的多组学研究仍主要依赖公共癌症资源，停留在概念验证阶段，而非实际部署。在此条件下，一个看似稳定的特征可能反映数据集特异性结构，而非可重复的肝癌生物标志物。模型透明度和可迁移性仍是临床使用的主要障碍。当前肝细胞癌病理组学文献将数据异质性、有限可解释性、伦理和监管不确定性以及缺乏标准化方案确定为核心原因，解释为何有前景的AI系统很少进展到常规护理。尽管最近的多中心影像学研究表明，在肝细胞癌中可实现可解释且外部测试的模型，包括基于MRI的微血管侵犯预测和基于CT的肝硬化队列早期预警模型，但此类设计仍属例外，且通常在没有同时测量终生暴露数据、重复生物样本和匹配组织-循环多组学的情况下开发。结果是研究条件下预测性能与跨机构、实验室和患者群体的可靠性之间存在持续差距。另一个主要限制是缺乏纵向、病因多样化的队列，在其中随时间收集暴露评估和多层分子分析。最近的方法学工作强调，基于AI的生物医学发现高度依赖于整合组学与影像、临床变量、饮食、药物、毒素和其他环境信息的纵向数据。对于肝癌，这一要求尤为重要，因为生物标志物轨迹在慢性病毒性肝炎、酒精相关损伤和代谢性肝病中不同，然而大多数可用数据集仍是回顾性的，且在这些领域间未充分同步。因此，当前证据基础更适合生成生物学上合理的候选物，而非建立准备常规实施的临床合格生物标志物。
**7 未来展望与临床转化**
该领域的临床转化将取决于超越回顾性关联研究，转向纵向设计，其中在同一患者中收集暴露评估、系列血液采样、影像和匹配组织分析。这一要求对肝癌尤为重要，因为暴露相关的代谢和表观遗传改变可能先于放射学疾病，并且在病毒性肝炎、酒精性肝病和代谢功能障碍相关脂肪性肝病之间可能存在显著差异。包括诊断前生物样本和重复随访的队列将更有利于区分早期恶性转化标志物与已确立肿瘤负荷的标志物，同时允许直接评估时间稳定性、前置时间和病因学特异性。在分析层面，临床有用模型必须整合暴露组学变量与分子、影像和病理数据，同时保持可解释性、外部有效性和操作可行性。当前研究表明，多组学人工智能模型可识别预后亚型、脂质定义的转变状态和具有强区分性能的蛋白质特征，但这些系统仍受批次效应、缺失数据、队列不平衡和跨机构可迁移性有限的影响。因此，当前优先事项不仅是增加模型复杂性，而是标准化预处理、严格外部验证、跨病因层校准，以及将大型特征集缩减为可在临床实验室中可重复测量的分析稳健组合。转化还需要明确将发现阶段特征缩减为可部署的检测方法。高维多组学特征应通过稳定性选择、惩罚建模、生物学通路分组和独立验证进行缩减，然后转换为靶向蛋白质组学组、甲基化PCR或数字PCR检测、代谢物或脂质组、免疫组织化学或简化风险评分。一个生物标志物组仅在具有确定阈值、分析可重复性、可接受成本和周转时间，并且相对于AFP、影像、分期系统和常规肝功能评估具有增量价值时，才在临床上可信。对于临床采纳，生物标志物开发应针对明确界定的决策点，包括高风险慢性肝病监测、早期肝细胞癌与肝硬化或异型增生变化的区分、治愈性治疗后复发风险评估以及系统治疗反应预测。结合循环蛋白、脂质、甲基化标志物、放射组学和数字病理学的多模态特征尤其有前景，因为它们保留了关于暴露史、肿瘤生物学和宿主微环境的互补信息。然而，转化需要将这些特征转换为简约检测方法，具有明确阈值、可接受成本、短周转时间，并且在前瞻性真实世界人群中性能仍优于常规标志物和常规临床放射学评估。进一步要求是队列多样性和报告透明度。在狭窄定义人群中开发的模型不太可能支持一种疾病在不同地区和病因之间发病率、暴露谱和分子决定因素各异的广泛临床使用。因此，未来研究应纳入跨国招募、标准化暴露注释、匹配组织和液体活检采样，以及模型行为的透明报告。在此条件下，人工智能驱动的暴露组学与多组学整合可能从探索性生物标志物发现进展到临床上可靠的风险分层和治疗指导，最大价值可能来自在不同病因和肝癌发生连续体中保持稳定的生物学可解释特征。
**8 结论**
人工智能驱动的暴露组学数据与多组学分析的整合代表了肝癌生物标志物发现的一个有前景方向，因为它解决了环境暴露、慢性肝损伤和分子异质性对肝癌发生的联合影响。当前证据表明，基于暴露组学信息的分析可揭示与肝癌风险相关的生物学相关代谢和表观遗传扰动，而多组学方法提供了关于基因组、转录组、蛋白质组和代谢组变异性的互补信息，这些信息无法通过单层研究充分解析。在此背景下，人工智能在识别跨这些领域的协调信号并将其转化为早期检测、预后分层和治疗指导的候选生物标志物时最为有价值。同时，临床应用中仍受限于不完整的暴露评估、异质性平台、回顾性研究设计、不充分的外部验证以及在多样化病因人群中受限的模型可解释性。该领域的进展将取决于前瞻性多中心研究，结合标准化暴露表征、系列生物样本收集、匹配组织和液体活检分析，以及可缩减为适用于常规肝癌护理中监测、早期诊断和风险分层的稳健检测的可解释分析模型。具体优先事项包括前瞻性多种族和病因分层队列；使用外部和内部测量的标准化暴露评估；纵向诊断前生物样本收集；匹配组织、单细胞、空间和液体活检分析；协调预处理和透明报告；外部验证和可解释的AI模型；以及将复杂特征转换为可扩展的检测方法，用于监测、早期诊断、复发预测和免疫治疗反应分层。
