J Hepatol：基于CT成像生物标志物的AI模型预测慢性乙型肝炎患者肝细胞癌

肝细胞癌（HCC）是一个主要的全球健康问题，目前在全球癌症相关死亡原因中排名第四。在东亚，慢性乙型肝炎（CHB）是HCC最常见的原因，造成了巨大的医疗负担。虽然核苷(t)类似物（NAs）已被证明可以降低HCC的风险，但仍然存在残余风险，需要持续监测以早期发现HCC。考虑到导致HCC发展的风险因素的复杂性，基于机器学习的建模可能更有效。最近，引入了基于人工智能（AI）的预测模型。腹部计算机断层扫描（CT）自动分割技术的最新进展使得定量测量内脏脂肪和脾脏体积以及评估肌骨化程度成为可能。这项研究利用基线CT成像提取的变量和临床参数，建立了一个高精度的CHB患者HCC预测模型。该模型可以加强风险分层，并为优化HCC监测提供更精确的工具，从而通过及时和有针对性的干预措施实现个体化监测和改善结果。

利用基于深度学习的CT自动分割软件DeepFore提取的成像生物标志物，建立了采用梯度增强机器算法的人工智能预测模型。衍生队列（n=5585）按3:1的比例随机分为训练集和内部验证集。外部验证队列包括2883例患者。6项成像生物指标（腹部内脏脂肪-总脂肪体积比、总脂肪-躯干体积比、脾脏体积、肝脏体积）；肝脾Hounsfield单位[HU]比值；选择8个临床变量作为此模型PLAN-B-DF的主要变量。

在内部验证集中（中位随访时间=7.4年），PLAN-B-DF表现出优异的预测性能，c指数为0.91，校准功能良好。在外部验证队列（中位随访时间=4.6年）中，PLAN-B-DF与PLAN-B、PAGE-B、改良PAGE-B和CU-HCC等先前模型相比，具有明显更好的识别功能，并保持了良好的校准功能。根据PLAN-B-DF计算的风险概率将患者分为四组，最低、低、中、高风险组10年累积HCC发生率分别为0.0%、0.4%、16.0%和46.2%。

这项研究结合影像生物标志物和临床变量，建立了慢性乙型肝炎患者肝细胞癌的高精度AI预测模型。此模型利用来自基于深度学习的CT自动分割算法的成像生物标志物，包括内脏脂肪体积、肌骨疏松症和肝脏脂肪变性。与现有模型相比，该模型在预测准确性和风险分层方面有显著改善，可能为肝细胞癌监测和管理提供有价值的增强。

原文出处：

Shin H, Hur MH, Song BG, Park SY, Kim GA, Choi GH, Nam JY, Kim MA, Park Y, Ko Y, Park J, Lee HA, Chung SW, Choi NR, Park MK, Lee YB, Sinn DH, Kim SU, Kim HY, Kim JM, Park SJ, Lee HC, Lee DH, Chung JW, Kim YJ, Yoon JH, Lee JH. AI model using CT-based imaging biomarkers to predict hepatocellular carcinoma in patients with chronic hepatitis B. J Hepatol. 2024 Dec 20:S0168-8278(24)02784-3. doi: 10.1016/j.jhep.2024.12.029. Epub ahead of print. PMID: 39710148.