肝活检是非酒精性脂肪性肝炎（NASH）的诊断“金”标准，但在临床上不易被患者接受，且有一定的局限性。在第57届欧洲肝病研究学会年会（EASL2022）暨2022年国际肝脏大会^TM（ILC 2022）上，我国温州医科大学附属第一医院郑明华教授团队介绍了其团队开发的一种无创评估方法：新型全自动的机器学习算法——LEARN算法。该算法在识别NASH方面较CK-18 M30水平及其他非侵入性NASH评分（HAIR、ION、NICE）表现更优（摘要编号：FRI050）。《国际肝病》特此报道，以飨读者。

 

研究背景

 

非酒精性脂肪性肝炎（NASH）是一个世界性的重大公共卫生问题，与单纯的肝脏脂肪变性相比，NASH更容易导致肝纤维化、肝硬化。早期发现和干预NASH可以改善其预后。目前NASH诊断的“金”标准为肝活检，主要基于病理上肝细胞脂肪变性，肝细胞肿胀和小叶炎症。但活检不易被患者接受，且有一定的局限性，为实现准确、无创、简便的评估NASH，我们开发了一种新型全自动的机器学习算法——LEARN算法。

 

研究方法

 

从2016年到2021年，在中国六家医疗中心连续筛查了1259名疑似为非酒精性脂肪性肝病（NAFLD）的受试者，其中766例经活检证实为NAFLD，被纳入最终分析。将患者按4：1的比例随机分为训练组和验证组。在训练组开发LEARN算法来识别NASH，随后在验证组中进行验证。

 

图1.中国六家中心参与

 

研究结果

 

利用生物电阻抗测量的身体成分以及年龄、性别、高血压和糖尿病构建LEARN算法，该算法在训练组和验证组均表现出良好的NASH识别能力（AUROC：0.81，95%CI：0.77~0.84；AUROC：0.80，0.73~0.87）。

 

与血液细胞角蛋白18片段（CK-18 M30）水平或其他的非侵入性NASH评分（HAIR、ION、NICE）相比，该算法在识别NASH方面表现更优（P值<0.001），此外，LEARN算法在不同亚组患者中以及身体成分数据部分缺失的患者中识别NASH也表现良好。

 

图2.研究结果概述

 

研究结论

 

我们利用简便易得的测量资料，开发了一种全自动无创的算法（深度神经网络算法）来识别NASH。

 

 

第一作者

 

李罡

 

温州医科大学附属第一医院，感染内科硕士研究生

 

近2年参与发表论著6篇，其中第一作者发表3篇，研究论文分别发表于Liver International、Hepatobiliary Surgery and Nutrition、Journal of Clinical and Translational Hepatology等杂志，研究成果多次在EASL、APASL等大会上以口头报告或壁报形式展示。

 

 

通讯作者

 

郑明华

 

温州医科大学附属第一医院，感染内科

 

科室副主任，主任医师，教授，医学博士，博士生导师

 

长期致力于脂肪性肝病的临床与研究，作为中国大陆地区2名专家之一参与起草代谢相关脂肪性肝病国际专家共识2项（全球及亚太区专家共识），同时参编《中国脂肪性肝病诊疗规范化的专家建议（2019年修订版）》。