国际肝病 发表时间：2026/4/22 1:02:50 浏览量：890
编者按：随着人工智能技术的飞速发展，其在医疗领域的应用正从概念走向实践，为复杂疾病的诊疗带来了革命性变革。在第五届肝病创新大会上，清华大学北京清华长庚医院魏来教授系统阐述了人工智能在代谢相关脂肪性肝病（MASLD）及代谢相关脂肪性肝炎（MASH）领域的最新进展，重点介绍了数字病理学的突破性应用、政策指引以及未来发展方向。
人工智能作为计算机科学的分支，涵盖机器学习和深度学习等技术。近年来，以ChatGPT为代表的大语言模型的普及，标志着人工智能真正进入了普通人的工作与生活。而“小龙虾”（OpenClaw）等智能体的出现，则象征着人工智能从云端对话向拥有实体执行能力的跨越。
在医疗领域，世界卫生组织分别于2021年和2024年发布了关于人工智能伦理与治理的指南，为技术应用提供了全球性框架。我国也积极布局，国家卫生健康委员会办公厅于2025年印发了《关于促进和规范“人工智能+医疗卫生”应用发展的实施意见》，明确了发展目标：到2027年，建立一批高质量数据集和可信数据空间，形成一批临床专病专科垂直大模型和智能体应用，基本建成一批国家人工智能应用中试基地；到2030年，基层诊疗智能辅助应用基本实现全覆盖，二级以上医院普遍开展医学影像智能辅助诊断和临床诊疗智能辅助决策等人工智能技术应用，标准规范体系基本完善。
在肝脏疾病领域，人工智能的应用日益广泛，而数字病理学是目前MASLD/MASH领域应用最成熟的领域之一。
人工智能在数字病理中的工作流程主要包括图像输入、伪影检测与排除、图像分割、评分与输出等步骤。其中，AIM-MASH作为首个获得美国FDA和欧洲EMA批准的人工智能辅助病理评估工具，代表了该领域的重要突破。
该工具以肝穿刺活检的HE染色和Masson三色染色全切片图像为输入，首先采用卷积神经网络进行初步图像识别，屏蔽非诊断区域和技术伪影；随后再次使用卷积神经网络进行精细的像素级分割，在HE图像中将组织像素分类为肝细胞、脂肪空泡、炎症细胞簇、中央静脉、汇管区等，在三色染色图像中精准分割出胶原纤维区域[1]。在此基础上，通过特征聚类将像素聚合成具有临床意义的“组织单元”，并利用图神经网络将这些单元作为节点、空间位置关系作为边，构建病理知识图谱。图神经网络还引入了病理学家的共识数据，学习并校正不同专家之间的评分差异，最终输出标准化的MASH-CRN评分，包括小叶炎症、气球样变、脂肪变性评分及纤维化分期。
△AIM-MASH技术路线
（引自讲者会议幻灯）
另一项重要技术是qFibrosis/qFIBs，它基于无标记二次谐波生成（SHG）/双光子激发荧光（TPEF）成像技术，结合专利人工智能算法，在无需染色的条件下，对肝组织的胶原纤维、脂肪滴等关键病理结构进行高分辨率、定量的空间分布分析，从而实现肝纤维化、脂肪变性等病变的客观、可重复评估。
qFibrosis能够对肝纤维化进行定量、连续性检测，捕捉疾病的细微变化，且相较传统半定量分期系统（例如NASH-CRN分级），能更精准地区分肝纤维化各亚分期[2]。qFIBs是qFibrosis、qInflammation、qBallooning和qSteatosis的集合模型，使用 SHG/TPEF 成像并基于 NASH CRN 系统训练，能够对肝活检组织中的脂肪变、炎症、气球样变和纤维化进行全定量分析[3]。
我国多个肝脏疾病专家团队已开展qFibrosis/qFIBs在不同肝脏疾病病理评估中的应用研究，包括南方医科大学南方医院侯金林教授团队、首都医科大学附属北京友谊医院贾继东/尤红教授团队、清华大学北京清华长庚医院魏来教授与北京大学人民医院饶慧瑛教授团队、温州医科大学附属第一医院郑明华教授团队、首都医科大学附属北京佑安医院张晶教授团队等。
在药物临床试验方面，对Efruxifermin治疗F4人群的2b期SYMMETRY研究数据进行二次分析[4]发现，通过qFibrosis评估的纤维化改善应答与传统病理学评估具有很高的一致性。更重要的是，qFibrosis可以更敏感地捕捉到纤维化改善：即使在传统NASH-CRN评估为纤维化无改善的患者中，也可观测到纤维化面积的改善。这表明qFibrosis可为药物临床试验提供连续、精准的组织学终点指标。在辅助病理诊断方面，研究显示，病理医生在qFibrosis信息和SHG图像辅助下，纤维化分期的读片一致性显著提高，观察者间Kappa值从0.72提高至0.82，同一观察者内的Kappa值从0.79提高至0.91，达到了近乎完美的水平。目前，qFibrosis已被用作多项临床试验的终点指标，包括MAESTRO-NASH 3期试验的探索性终点、ALN-HSD MASH 2b期试验的主要终点以及Denifastat MASH 2b期试验的主要终点[5]。
MASLD/MASH在病理生理机制上的复杂性和异质性，包括临床表型、遗传背景、治疗应答等方面的差异，使得人工智能在此类疾病的临床和科研中具有天然的应用需求。
《2025年肝纤维化、肝硬化、门静脉高压临床研究进展》[6]一文指出，人工智能的快速发展为处理包含复杂病历数据、血清学标志物、影像、组学等多模态数据提供了技术基础，基于机器学习、深度学习算法构建的临床模型有助于肝纤维化、肝硬化的早期诊断、风险预测和临床管理。《2025年代谢相关性脂肪性肝病研究进展》一文则提到，人工智能方面在 MASH 中的应用会是一个新的方向，包括人工智能全流程MASH新药研发，以及原生多模态模型用于获批准药物在临床应用的预测和监测[7]。
未来方向包括人工智能全流程MASH新药研发，以及原生多模态模型用于已批准药物在临床应用的疗效预测和不良反应监测。
△AI可以在多因素/多组学/多模态数据中发挥多重作用
（引自讲者会议幻灯）
然而，人工智能在肝脏疾病中的应用仍面临诸多挑战与局限性。在影像学评估方面，不同扫描仪或探头的硬件差异、成像序列的非标准化以及图像重建方法的多样性，导致数据采集存在较大变异，影响模型的泛化能力。在组织学评估方面，目前尚缺乏病理切片数字化、数据格式化、图像数据压缩和元数据存储的通用标准，使得多中心数据的整合与共享困难重重。在无创识别高危人群方面，模型的构建需要高质量的代表性数据集以消除可能存在的偏倚，而目前这类数据的获取仍存在瓶颈。在临床结局的预测方面，目前仍缺乏前瞻性的基于人工智能的随机临床试验，以证明人工智能模型在改善患者临床结果方面的附加价值。这些问题的解决需要数据科学家、临床专家、伦理学者及监管机构的多学科协作和持续探索。
人工智能正在深刻改变MASH领域的传统病理评估模式，其价值不仅在于替代人工，更在于发现传统方法难以捕捉的细微变化和深层规律。基于MASLD复杂的病理机制和人群的高度异质性，该领域的研究需要人工智能的深层挖掘和持续赋能。AI使用仍存在许多未解决的难题，包括数据质量与隐私、临床验证与法规、模型可解释性（AI黑箱）、伦理与公平性等。随着技术的不断成熟和政策的持续完善，人工智能将在MASLD/MASH的临床实践和科研创新中发挥越来越重要的作用，为患者带来更精准、更个体化的诊疗服务。
参考文献：
1.Janani S Iyer et al. Nat Med. 2024 Oct;30(10):2914-2923.
2.David E Kleiner, Poster #2086, AASLD 2025
3.Lai Wei, Hepatology 2020
4.Akero & Histoindex. Poster #5024, AASLD 2025
5.Tai D, et al. EASL 2023 Poster WED_237.
6.韩一凡,徐小元. 2025年肝纤维化、肝硬化、门静脉高压临床研究进展[J]. 中华肝脏病杂志,2026,34(01)：7-9.
7.饶慧瑛, 赵景民, 虞朝辉, 宓余强, 魏来. 2025 年代谢相关脂肪性肝病研究进展[J]. 中华肝脏病杂志, 2026, 34(2):111-114.
