人工智能在肝移植領(lǐng)域的應(yīng)用進(jìn)展

史 斌，金海龍

解放軍總醫(yī)院第三醫(yī)學(xué)中心 器官移植科，災(zāi)害救援醫(yī)學(xué)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100039

人工智能(artificial intelligence，AI)是計(jì)算機(jī)科學(xué)的一個(gè)分支，旨在創(chuàng)建模擬人類智能的計(jì)算機(jī)軟件，使其具備推理、規(guī)劃、學(xué)習(xí)、交流、感知以及移動(dòng)和操縱物體的能力。隨著電子病歷和醫(yī)院信息系統(tǒng)的進(jìn)步，醫(yī)院越來(lái)越多地以電子格式存儲(chǔ)患者信息，并且可以通過(guò)這些記錄發(fā)現(xiàn)數(shù)據(jù)中的模式[1]。為了分析這些記錄，越來(lái)越多的研究人員將人工智能應(yīng)用于疾病診療、預(yù)后預(yù)測(cè)等醫(yī)療領(lǐng)域[2-3]。人工智能在肝移植領(lǐng)域應(yīng)用廣泛，尤其是在其疾病診斷、治療、預(yù)后預(yù)測(cè)和器官分配方面?，F(xiàn)將人工智能在肝移植領(lǐng)域中的應(yīng)用做一 綜述。

1 臨床診斷

快速準(zhǔn)確的移植肝脂肪變性(hepatic steatosis，HS)評(píng)估對(duì)于降低移植后肝功能障礙風(fēng)險(xiǎn)至關(guān)重要。移植肝組織病理學(xué)檢查是評(píng)估HS的金標(biāo)準(zhǔn)。Moccia等[4]使用機(jī)器學(xué)習(xí)算法對(duì)肝紋理進(jìn)行自動(dòng)分析，為外科醫(yī)生臨床決策提供支持。Cesaretti等[5]采用機(jī)器學(xué)習(xí)的方法評(píng)估移植肝的脂肪變性，識(shí)別出不可移植的肝，從而提高移植物的存活率。這些研究表明，機(jī)器學(xué)習(xí)在移植肝評(píng)估方面 表現(xiàn)出良好的性能。

2 治療

肝細(xì)胞癌(hepatocellular carcinoma，HCC)是全球第六大常見惡性腫瘤，也是全球第二位惡性腫瘤致死原因[6]。肝癌的治療方式包括手術(shù)切除、肝移植、射頻消融、肝動(dòng)脈化療栓塞術(shù)(transcatheter arterial chemoembolization，TACE)、“可樂(lè)”組合為代表的轉(zhuǎn)化治療等[7-8]。各種方法各有利弊及局限性，從單純治愈性的角度來(lái)說(shuō)，肝移植可以同時(shí)切除腫瘤和硬化肝，是唯一有效治愈肝癌的手段。賀軼鋒等[9]基于肝癌患者肝移植術(shù)前血清學(xué)指標(biāo)建立腫瘤復(fù)發(fā)的決策樹預(yù)測(cè)模型，對(duì)臨床治療具有一定的指導(dǎo)意義。Nam等[10]開發(fā)了一種人工智能模型以預(yù)測(cè)肝移植術(shù)后肝癌的復(fù)發(fā)，研究結(jié)果發(fā)現(xiàn)，人工智能模型中最大的加權(quán)參數(shù)是腫瘤直徑，其次是甲胎蛋白、年齡和白蛋白。與常規(guī)模型相比，人工智能模型對(duì)肝移植術(shù)后腫瘤的復(fù)發(fā)具有更好的可預(yù)測(cè)性。

神經(jīng)網(wǎng)絡(luò)(neural network，NN)是一種使用人工智能方法輸入各種變量以預(yù)測(cè)結(jié)果的技術(shù)，已廣泛應(yīng)用于肝移植領(lǐng)域。已有研究證實(shí)，NN可對(duì)肝移植供者-受者進(jìn)行有效的術(shù)前評(píng)估[11-12]。數(shù)據(jù)挖掘分析是人工智能的基礎(chǔ)，是用來(lái)構(gòu)建各種假說(shuō)的方法。Nakayama等[13]構(gòu)建新穎的急性肝衰竭(acute liver failure，ALF)患者預(yù)后算法可能有助于確定肝移植的適應(yīng)證。在確定肝細(xì)胞癌(hepatocellular carcinoma，HCC)移植前評(píng)估的指標(biāo)時(shí)，每個(gè)檢驗(yàn)指標(biāo)的最佳臨界值仍不確定。一項(xiàng)數(shù)據(jù)挖掘分析納入246例行肝移植術(shù)的HCC患者，其中36例(14.6%)在術(shù)后2.5年內(nèi)復(fù)發(fā)。HCC復(fù)發(fā)預(yù)測(cè)模型將患者分為低風(fēng)險(xiǎn)組(腫瘤直徑＜4 cm、血清甲胎蛋白＜73 ng/mL)和高風(fēng)險(xiǎn)組(腫瘤直徑＞4 cm、血清甲胎蛋白＞73 ng/mL)。該分類標(biāo)準(zhǔn)可以有效預(yù)測(cè)HCC肝移植術(shù)后的存活率[14]。Kavur等[15]使用基于深度學(xué)習(xí)的自動(dòng)分割算法，大大提高了肝分割和體積測(cè)量的準(zhǔn)確性和可重復(fù)性 。

3 移植肝存活和并發(fā)癥的預(yù)測(cè)

為了有效評(píng)估移植肝的存活情況，國(guó)內(nèi)外學(xué)者采用不同的算法構(gòu)建各種肝移植后生存的預(yù)測(cè)模型，以幫助臨床醫(yī)生做出更優(yōu)的決策。研究表明，機(jī)器學(xué)習(xí)以及神經(jīng)網(wǎng)絡(luò)算法可以準(zhǔn)確預(yù)測(cè)肝移植術(shù)后移植物存活和患者生存情況[16-23]。Angelico等[24]建立貝葉斯模型用于改善肝移植術(shù)后早期移植物功能受損的預(yù)測(cè)。Kong等回顧性分析1495名肝移植受者術(shù)后90 d的生存情況，構(gòu)建一個(gè)以肌酐、年齡、總膽紅素和白蛋白4個(gè)指標(biāo)為主的模型，與這4個(gè)風(fēng)險(xiǎn)水平相對(duì)應(yīng)的90 d死亡率分別為6.2%、11.8%、24.0%和34.9%。Hoot和Aronsky[25]利用器官共享聯(lián)合網(wǎng)絡(luò)的移植信息構(gòu)建貝葉斯網(wǎng)絡(luò)模型，以預(yù)測(cè)90 d移植物存活率。其陽(yáng)性預(yù)測(cè)值為91%，而陰性預(yù)測(cè)值為30%。Gavriilidis等[26]使用貝葉斯網(wǎng)絡(luò)分析評(píng)估劈裂肝移植(split liver transplantation，SLT)、活體肝移 植(living-donor liver transplantation，LDLT)和尸 體 肝 移 植(deceased-donor liver transplantation，DDLT)的移植物和患者的生存結(jié)果，三種術(shù)式1年、3年和5年移植物和患者的生存率均無(wú)統(tǒng)計(jì)學(xué)差異。這些研究結(jié)果表明，樸素貝葉斯在肝移植術(shù)后患者生存時(shí)間預(yù)測(cè)和免疫抑制藥物濃度監(jiān)測(cè)等方面發(fā)揮著積極作用。

由于捐獻(xiàn)器官短缺，器官移植專家已經(jīng)增加對(duì)潛在邊緣器官的利用。然而，這些器官移植失敗的可能性很高，并且預(yù)測(cè)移植物功能和存活的生物標(biāo)志物仍有限。Xu等[27]運(yùn)用隨機(jī)森林能夠很好地尋找到評(píng)估肝功能的生物標(biāo)志物，從而改善對(duì)移植物功能和存活率的預(yù)測(cè)。

急性腎損傷(acute kidney injury，AKI)是肝移植術(shù)后的一個(gè)重要并發(fā)癥，與移植物存活率低有關(guān)[28]。多項(xiàng)研究報(bào)道，運(yùn)用機(jī)器學(xué)習(xí)技術(shù)可以精確預(yù)測(cè)肝移植術(shù)后AKI的發(fā)生率[29]。非黑色素瘤皮膚癌(non-melanoma skin cancer，NMSC)是肝移植術(shù)后最常見的惡性腫瘤，其預(yù)后差、死亡率高。Tanaka和Voigt[30]研究發(fā)現(xiàn)決策樹模型可準(zhǔn)確 對(duì)肝移植受者NMSC發(fā)病風(fēng)險(xiǎn)進(jìn)行分層和量化。

4 免疫抑制劑藥物濃度的預(yù)測(cè)

他克莫司是一種免疫抑制劑，具有狹窄的治療窗口和相當(dāng)大的藥代動(dòng)力學(xué)變異性。大量研究報(bào)道，貝葉斯預(yù)測(cè)可以提供最佳的口服劑量，表現(xiàn)出良好的預(yù)測(cè)性能[31-34]。另有研究發(fā)現(xiàn)，貝葉斯模型可以對(duì)他克莫司的藥物代謝動(dòng)力學(xué)進(jìn)行精準(zhǔn) 預(yù)測(cè)[35-38]。

5 預(yù)后預(yù)測(cè)

人工智能技術(shù)在疾病的預(yù)后預(yù)測(cè)方面發(fā)揮著巨大的作用，尤其是應(yīng)用于惡性腫瘤和并發(fā)癥時(shí)[39]。Molinari等[40]采用機(jī)器學(xué)習(xí)技術(shù)，確定肝移植受者年齡、終末期肝病評(píng)分模型、體質(zhì)量指數(shù)、糖尿病和血液透析為最強(qiáng)預(yù)測(cè)指標(biāo)，隨后開發(fā)加權(quán)計(jì)分系統(tǒng)(最低0分，最高6分)，肝移植受者術(shù)后并發(fā)癥可以根據(jù)術(shù)前特征的評(píng)分系統(tǒng)進(jìn)行預(yù)測(cè)。Wadhwani等[41]采用的機(jī)器學(xué)習(xí)算法更有助于小兒肝移植術(shù)后的風(fēng)險(xiǎn)分層和個(gè)體化護(hù)理。一項(xiàng)回顧性隊(duì)列研究納入了1 459例接受肝移植的患者，建立機(jī)器學(xué)習(xí)模型預(yù)測(cè)移植術(shù)后心血管事件發(fā)生率和死亡率，結(jié)果顯示心血管事件的主要影響因素是年齡、有無(wú)糖尿病、血清肌酐水平、是否是非酒精性脂肪性肝炎引起的肝硬化、右心室收縮壓和左心室射血分?jǐn)?shù)[42]。

一項(xiàng)研究運(yùn)用機(jī)器學(xué)習(xí)識(shí)別肝移植的術(shù)前變量，預(yù)測(cè)手術(shù)期間或術(shù)后紅細(xì)胞的輸注情況，前瞻性納入了1 193例中國(guó)患者進(jìn)行研究，收集24個(gè)術(shù)前變量，包括基本的人群特征、診斷、臨床癥狀和實(shí)驗(yàn)室檢驗(yàn)結(jié)果。篩選出9個(gè)重要的術(shù)前變量，包括年齡、血紅蛋白、直接膽紅素、活化的部分凝血活酶時(shí)間、球蛋白、谷草轉(zhuǎn)氨酶、谷丙轉(zhuǎn)氨酶、有無(wú)門靜脈高壓以及原發(fā)病情況[43]。

6 器官分配

為了更好地解決供肝短缺與臨床巨大需求之間的矛盾，Qu等[44]構(gòu)建決策分析模型，以更加合理、高效地使用供肝。Brice?o等[45]將人工智能技術(shù)應(yīng)用于肝移植供體-受體模型匹配方面，優(yōu)化了流程，提高了效率，更好地堅(jiān)持公平性原則。Bertsimas等[46]利用機(jī)器學(xué)習(xí)技術(shù)構(gòu)建死亡率預(yù)測(cè)模型，即根據(jù)疾病的嚴(yán)重程度更準(zhǔn)確、客觀地對(duì)肝移植等候者進(jìn)行優(yōu)先排序，從而使肝分配更加公平，節(jié)省了大量醫(yī)療資源。Vagefi等[47]研究發(fā)現(xiàn)機(jī)器學(xué)習(xí)技術(shù)具有指導(dǎo)移植臨床實(shí)踐的潛力，從 而有利于國(guó)家器官的分配政策。

7 結(jié)語(yǔ)

隨著大數(shù)據(jù)時(shí)代的到來(lái)，人工智能在肝移植領(lǐng)域發(fā)揮著巨大作用，尤其是在肝病變的診療和預(yù)后預(yù)測(cè)方面。隨著計(jì)算機(jī)科學(xué)技術(shù)的發(fā)展，基于人工智能技術(shù)結(jié)合臨床數(shù)據(jù)構(gòu)建預(yù)后預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)肝移植術(shù)后腫瘤復(fù)發(fā)的早期預(yù)警、風(fēng)險(xiǎn)評(píng)估和療效監(jiān)測(cè)，采用針對(duì)性的治療方法進(jìn)行干預(yù)，提升治療效果，可更好地為肝移植受者服務(wù)。