编者按
近年来，人工智能在肝病领域的应用探索越来越深入，2023年美国肝病研究学会年会（AASLD2023）上，两项聚焦在代谢和遗传性疾病，以及肝纤维化和非实质细胞生物学功能的研究吸引了与会者的高度关注[1-2]。《国际肝病》有幸在现场邀请到复旦大学附属华东医院陈源文教授为我们作现场点评，让我们一起来听一听。
研究一
应用人工智能临床决策支持工具识别α-1抗胰蛋白酶缺乏症相关肝病患者
▲AASLD2023壁报（3320-A）
在本届AASLD年会上，美国盖恩斯维尔佛罗里达大学Virginia Clark等交流了他们研究团队应用人工智能临床决策支持工具识别α-1抗胰蛋白酶缺乏症相关肝病患者的研究成果。
由于α-1抗胰蛋白酶缺乏症相关肝病的风险多变，并且没有症状，所以，对该病的诊断具有挑战性。一种基于人工智能/机器学习的临床决策支持工具（AI/ML-CDST）可以帮助识别尚未诊断的、具有α-1抗胰蛋白酶缺乏症相关肝病风险的患者。在本届AASLD年会上，Virginia Clark等报告了AI/ML-CDST的第一阶段开发情况，使用的数据来自美国IQVIA（美国一家生物制药开发和商业外包服务提供商）动态电子医疗记录（AEMR）数据库。
研究人群由2015年10月至2022年10月IQVIA AEMR数据库中年龄≥18岁且因各种医疗活动就诊≥1次的患者组成，阳性队列包括有α-1抗胰蛋白酶缺乏症的诊断记录[ICD-9/10或医学分类命名法（SNOMED）]，并且接受了肝移植或者有α-1抗胰蛋白酶缺乏症相关肝脏疾病状况的患者，阴性队列包括所有其他患者。对每例患者，产生包含12个月回顾和转归期的横断面数据，有1个月的时间漂移。包括转归期内首次发生α-1抗胰蛋白酶缺乏症相关肝脏疾病（基于肝移植或者有α-1抗胰蛋白酶缺乏症相关肝脏疾病的状况）的横断面被视为阳性队列横断面，所有其他横断面均被视为阴性。在数据库中捕获算法特征，并为每个变量设计度量参数。数据分为训练集、测试集和留出集。在训练/测试集，使用时间交叉验证开发了XGBoost算法。采用递归特征消除法，评估算法简化对模型性能的影响。通过IQVIA AEMR数据中观察到的α-1抗胰蛋白酶缺乏症相关肝病发生率的提高倍数，对最终模型的性能进行评估。
结果，在IQVIA AEMR数据库的43 419 885例患者中，有1653例为α-1抗胰蛋白酶缺乏症相关肝病患者。在预测未确诊α-1抗胰蛋白酶缺乏症相关肝病风险增加的400个特征中，先前诊断α-1抗胰蛋白酶缺乏症的预测性最强，其次是天冬氨酸氨基转移酶（AST）水平>34 U/L和体重>180磅或<100磅（即：体重>81.7公斤或<45.4公斤，1磅=0.454 公斤）（表1）。AI/ML-CDST用于识别α-1抗胰蛋白酶缺乏症相关肝病患者的受试者工作特征曲线下面积为0.8。
表1. 应用人工智能临床决策支持工具识别α-1抗胰蛋白酶缺乏症相关肝病患者
a捕获的算法特征包括人口统计学、知识驱动、数据驱动和习惯。
b模型增益归一化为总特征重要性的比例。
根据上述研究结果，研究人员得出结论：对未确诊α-1抗胰蛋白酶缺乏症相关肝病最具预测性的特征是先前的α-1抗胰蛋白酶缺乏症诊断（35%）和AST水平（7%）。然而，由于α-1抗胰蛋白酶缺乏症是一种未被充分诊断的疾病，在普通人群中，使用AI/ML-CDST识别α-1抗胰蛋白酶缺乏症相关肝病患者可能受到限制。未来的模型改进和前瞻性验证，可以检验该工具大规模部署的效用，可望用于专业实践，支持对α-1抗胰蛋白酶缺乏症相关肝病患者的识别。
研究二
应用深度学习和人工智能算法分析肝脏微环境中的巨噬细胞
▲AASLD2023壁报（3435-A）
美国德克萨斯大学医学分校Omar A Saldarriaga等研究人员使用几个尖端的平台来保存组织结构，在肝脏微环境中对巨噬细胞进行原位研究，在本届AASLD年会上，Saldarriaga等交流了他们的研究成果。
研究人员利用具有人工智能功能的成像分析软件平台，定制设计算法，不仅可以量化肝脏内巨噬细胞的数量及其空间位置，还可以量化巨噬细胞与其他表型的相互作用。然后，利用GeoMx数字空间分析和nCounter技术，对患者肝脏活检标本的转录组特征进行比较，从而识别可以预示不良结果的关键生物学通路和生物标志物。利用这些平台和算法，研究人员对多种肝脏疾病进行了研究，包括自身免疫性肝炎、非酒精性脂肪性肝炎以及诸如病毒性丙型肝炎和埃博拉病毒等感染性疾病，研究人员假设不同类型肝脏疾病中巨噬细胞及相关基因表达谱的异质性可以解释肝损伤进展的变异性，并且可能提供潜在的治疗靶点。
结果，研究人员应用成像平台对数字空间剖面和多重染色的肝活检标本进行扫描，利用深度学习/人工智能应用程序，对不同类型肝病中各种巨噬细胞群体的异质性进行评估，生成表型谱、热图矩阵、t分布随机邻近嵌入图（t-SNE） (Visiopharm?，MATLAB 2020a)以及用于降维比较的统一流形逼近与投影（UMAP）。应用AVM软件（Aqumin?），对每种疾病类型中个体患者的差异进行评估，显示每种疾病组中数例患者与肝损伤临床结果和严重程度相关的特定基因表达不同。
总之，在几种不同类型的肝病中，研究人员使用定制设计的算法，揭示了肝脏微环境中相似的促炎介质，包括诸如Mac387阳性表型等特定表型的富集。这些结果表明，在多种肝脏疾病的免疫发病机制中，包括促炎表型的肝内巨噬细胞普遍具有关键作用。
参考文献：
[1] Clark V, Lee S, Karki C, et al. Identification of patients with alpha-1 antitrypsin deficiency-associated liver disease using an artificial intelligence clinical decision support tool. Hepatology. 2023; 78(Suppl. 1):S1502.
[2] Saldarriaga OA, Arroyave E, Millian D, et al. Use of deep learning and artificial intelligence algorithms to analyze macrophages in the hepatic microenviroment. Hepatology. 2023; 78(Suppl. 1):S1535.
专家简介
陈源文
博士，主任医师，博士生导师
复旦大学附属华东医院消化内科主任、老年科副主任
美国阿拉巴马大学伯明翰分校博士后工作经历
中华医学会肝病学分会青年学组副组长
上海市医学会肝病专科分会委员兼秘书/脂肪肝学组组长
中华医学会肠外肠内营养学分会肠道微生态学组协作组委员
上海市医师协会消化内科医师分会委员
中国人体健康科技促进会肠道微生态与肠菌移植专业委员会常务委员
中国医药生物技术协会药物性肝损保防治技术专业委员会委员
中国老年医学学会消化分会委员
曾入选上海市浦江人才计划、上海市卫生系统新优青计划、上海交通大学医学院第一届青年十杰奖等。主要从事脂肪性肝病及相关肝纤维化、肠道微生态等研究；承担过国家自然科学基金项目6项，在J Hepatol等国际杂志发表论文20余篇。
声明：本文仅供医疗卫生专业人士了解最新医药资讯参考使用，不代表本平台观点。该信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议，如果该信息被用于资讯以外的目的，本站及作者不承担相关责任。