门静脉高压影响着我国700万肝硬化患者的临床预后。我国慢性肝病患者人数超过4亿，是全球肝病负担最重的国家。病毒性肝炎、酒精性肝炎、代谢性相关脂肪性肝病等慢性肝病均可能进展为肝硬化。因此，我国未来门静脉高压防治形势严峻。

近年来，人工智能在医学领域大放异彩，临床症状、生化检查、数字病理以及医学影像检查等信息被提取、筛选和整合，应用于疾病诊断、预后预测等临床实践。其中，人工智能在肝硬化门静脉高压及其并发症领域亦有涉及。无创诊断和监测门静脉压力并评估其并发症风险将有效改善我国当前对门静脉高压防治“重治疗、轻预防”的问题。

中国门静脉高压联盟（CHESS）始创于2016年，旨在搭建国际一流的门静脉高压临床研究及转化科学平台，推动门静脉高压的全病程管理。目前，CHESS先后牵头发起了17项国内外多中心临床试验，学术论文发表于Journal of Hepatology、The Lancet Infectious Diseases、The Lancet Gastroenterology & Hepatology、Gut、Radiology等国际知名期刊，研究成果获得Lancet、Nature专题报道。在亚太肝脏研究学会（APASL）2021年会上，CHESS负责人祁小龙教授进行了《人工智能与门静脉高压》的特邀专题报告。    

作者： CHESS人工智能团队 兰州大学第一医院  祁小龙 东南大学附属中大医院  于谦 徐州医科大学附属医院  郑天雷 

影像组学流程为从医学影像中提取高通量工程特征，并对特征进行筛选、建模，以解决疾病诊断、预后预测等临床问题。CHESS人工智能团队利用CT图像和影像组学技术建立临床显著性门静脉高压诊断模型。在CHESS1701研究中，团队前瞻性收集2016-2017年期间同时进行肝静脉压力梯度（HVPG）测量和腹部增强CT的患者，并按中心将数据集分成训练集和多个独立测试集。在门静脉期、肝门和脾门水平，通过人工勾画肝脏和脾脏感兴趣区，以进行组学分析。后续对图像进行标准化和提取工程特征，并通过LASSO进行特征降维和建模，在训练集上建立了无创临床显著性门静脉高压诊断模型，并在独立测试集上进行测试，并与肝硬度、门静脉直径以及实验室检查结果等指标进行比较（图1）。结果显示，由肝脾CT特征建立的模型在训练集和测试集中表现了良好的诊断性能和泛化能力。与其他指标比较，影像组学模型显著优于肝硬度等指标。同时，通过比较观察者间和观察者内一致性显示组学特征和模型的良好稳定性。

图1. 影像组学诊断门静脉高压流程图

肝脾影像组学模型也可以用于高危食管胃静脉曲张的筛查和诊断。食管胃静脉曲张发生于代偿性晚期慢性肝病患者中，可发展为高危静脉曲张。上消化道内镜检查作为金标准具有侵入性，并具有造成曲张静脉出血的潜在风险。非侵入性的放射学检查方法和影像组学为建立高准确性的无创检查方法提供机会。

CHESS人工智能团队回顾性收集同时进行内镜和非增强腹部CT扫描患者，以内镜为金标准，分别以静脉曲张和高危静脉曲张为临床终点，建立影像组学模型。在肝门和脾门水平，选取肝脏和脾脏感兴趣区。在训练集中，通过LASSO和Logistic回归降维和建立模型，在前瞻性测试集中验证模型，并与已有报道的基于实验室检查结果的诊断模型比较。结果显示，在训练和测试集中，食管胃静脉曲张和高危静脉曲张模型均显示较好的诊断能力，且显著优于实验室模型。

与影像组学对应的是深度学习在医学图像领域的发展和应用。CHESS人工智能团队利用深度学习技术在门静脉高压领域进行尝试，建立了基于CT和MR的神经网络方法在肝硬化患者中识别临床显著性门静脉高压（图2）。CHESS1802多中心研究回顾性纳入2016-2019年期间行HVPG检测并同时行CT或MR检查的肝硬化患者，并将患者随机划分为训练集、内部验证集和测试集。通过训练集和内部验证集，分别建立基于肝脏和脾脏CT和MR图像的卷积神经网络，并通过交叉验证在测试集上验证神经网络模型。结果显示，基于CT和MR的神经网络模型均能够有效识别临床显著性门静脉高压患者，为临床早筛诊断提供了一种无创的检测方法。

图2. 深度学习诊断门静脉高压流程图

人工智能为医学影像在门静脉高压领域提供了机遇，大幅提高了影像对于门静脉高压诊断和监测的价值。医学图像不仅限于CT和MR, 超声图像和神经网络方法已经运用于肝纤维化分级，同时多种超声方法亦有用于门静脉高压诊断。因此，超声图像也极有潜力通过人工智能技术挖掘其诊断和监测价值。

人工智能可应用于传统临床和实验室指标的分析处理。Dennis L. Shung团队利用常规临床和实验室特征，通过机器学习算法建立上消化道出血患者危险分层模型。该研究目的是建立机器学习模型来计算上消化道出血患者的医院干预或死亡的风险，并将其与其他内镜前风险评分系统进行比较。临床终点为需要医院介入（输血、内镜、手术、介入治疗）或患者30天内全因死亡。研究团队纳入全球6家医院2357名患者，收集其24种常规临床和实验室检查特征，其中1958例用于模型训练和内部验证，并在399例亚太队列进行外部验证。XGBoost算法被最终用于训练模型。结果显示，机器学习模型优于传统评分系统，并且在敏感性为100%时，模型特异性明显高于传统评分。另外，2019年Tien S. Dong团队通过机器学习算法利用临床特征进行高危食管静脉曲张的诊断。

与医学影像数据相比，临床和实验室特征更易于整理和获取，病例数远多于影像学研究，泛化能力更强，临床更容易使用。临床特征与组学特征或深度特征相比更稳健，并且在模型中显示一定的生物学意义。未来，基于临床和实验室特征的人工智能方法也将运用于门静脉高压及其并发症的诊断和监测，助力推进门静脉高压的全病程管理！

（本文版权属于中国医学论坛报社，转载请注明出处）