AI技术革新代谢性肝病诊疗格局

编者按：随着AI技术日新月异，其在医疗健康领域的实践正从理论构想迈向临床应用，为疑难杂症的诊治开辟新路径。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全面解析了人工智能在代谢功能障碍相关脂肪性肝病（MASLD）及其炎症亚型（MASH）领域的研究前沿，着重探讨了数字化病理诊断的重大突破、政策导向及未来趋势。

人工智能医疗概述与发展政策

人工智能作为计算机科学的重要分支，包含机器学习、深度学习等核心技术。近年，以ChatGPT为代表的大模型技术风靡全球，标志着AI真正融入大众日常。而“OpenClaw”等智能体的诞生，则预示着人工智能从虚拟交互向实体操作能力的重大跃迁。

在医疗健康领域，世卫组织先后于2021年及2024年出台AI伦理与治理指导原则，构建全球统一的技术应用框架。我国亦加速战略布局，国家卫健委于2025年发布《促进和规范“人工智能+医疗健康”创新发展指导意见》，确立发展目标：2027年前，建成若干高质量数据资源库与可信数据空间，打造一批临床专科垂直大模型及智能体应用，搭建国家级AI应用中试平台；2030年前，基层医疗机构智能辅助诊疗实现全面覆盖，二级及以上医院普及医学影像智能诊断与临床决策支持系统，标准规范体系基本健全。

人工智能在MASLD/MASH数字病理领域的突破性应用

在肝脏疾病诊疗中，人工智能的应用场景持续拓展，而数字化病理学已成为MASLD/MASH领域最为成熟的技术方向之一。

AI辅助数字病理分析流程涵盖图像采集、伪影甄别与剔除、组织分割、量化评分及结果输出等环节。其中，AIM-MASH作为全球首款获美国FDA与欧洲EMA双认证的人工智能病理评估系统，成为该领域的里程碑式成果。

该系统以肝脏穿刺活检的HE染色和Masson三色染色全景切片为输入源，首阶段运用卷积神经网络完成初步图像识别，自动屏蔽非诊断区域与技术性伪影；第二阶段采用卷积神经网络实施精细像素级分割，在HE染色图像中将组织像素精准分类为肝细胞、脂肪空泡、炎性细胞团、中央静脉、门管区等不同组分，在三色染色图像中精确勾勒胶原纤维区域[1]。在此基础上，通过特征聚类算法将像素整合为具有临床价值的“组织功能单元”，并借助图神经网络将这些单元作为节点、空间毗邻关系作为连接边，构建病理知识图谱。图神经网络还融合了病理学专家的共识数据，学习并校正不同医师间的评分差异，最终输出标准化的MASH-CRN评分体系，涵盖小叶炎症、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）

另一项核心技术qFibrosis/qFIBs，依托无标记二次谐波生成（SHG）/双光子激发荧光（TPEF）显微成像技术，融合专利AI算法，可在无需传统染色的前提下，对肝组织中的胶原纤维、脂肪滴等关键病理结构进行高分辨率、可量化的空间分布解析，实现肝纤维化、脂肪变性等病变的客观化、可重复评估。

qFibrosis技术能够对肝纤维化程度实施定量、连续性监测，精准捕捉疾病的细微进展，相较于传统半定量分期系统（如NASH-CRN分级），可更精确地区分肝纤维化的各个亚分期[2]。qFIBs则是qFibrosis、qInflammation、qBallooning与qSteatosis的集成模型，采用SHG/TPEF成像技术并基于NASH-CRN体系进行训练，可对肝活检组织中的脂肪变性、炎症反应、气球样变及纤维化程度实施全方位定量分析[3]。

qFibrosis/qFIBs的临床应用与研究进展

我国多家肝病研究中心已开展qFibrosis/qFIBs在不同病因肝病病理评估中的应用探索，主要团队包括南方医科大学南方医院侯金林课题组、首都医科大学附属北京友谊医院贾继东/尤红课题组、清华大学北京清华长庚医院魏来与北京大学人民医院饶慧瑛联合课题组、温州医科大学附属第一医院郑明华课题组、首都医科大学附属北京佑安医院张晶课题组等。

在药物临床研发领域，针对Efruxifermin治疗F4期患者的2b期SYMMETRY研究数据进行二次分析[4]显示，qFibrosis评估的纤维化改善应答与传统病理学评估具有高度一致性。更关键的是，qFibrosis可更敏锐地探测到纤维化改善：即便在传统NASH-CRN评估判定为纤维化无改善的患者亚群中，仍可观察到纤维化面积的实质性好转。这证实qFibrosis可为新药临床试验提供连续、精准的组织学终点指标。在辅助病理诊断层面，研究表明，病理医师在qFibrosis数据及SHG图像支持下，纤维化分期的判读一致性显著提升，观察者间Kappa系数由0.72提升至0.82，观察者内Kappa系数由0.79提升至0.91，达到近乎完美的水平。目前，qFibrosis已被采纳为多项临床试验的终点评价指标，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]。

人工智能在MASLD/MASH领域的其他应用与挑战

MASLD/MASH在病理生理机制层面具有显著的复杂性与异质性，涉及临床表型、遗传背景、治疗响应等多维度差异，这使得人工智能在该类疾病的临床诊疗与科学研究中存在天然的应用需求。

《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，AI技术的迅猛发展为整合复杂病历信息、血清标志物、影像组学、多组学等多模态数据提供了技术支撑，基于机器学习、深度学习算法构建的临床预测模型有助于肝纤维化、肝硬化的早期识别、风险分层及临床决策。《2025年代谢相关性脂肪性肝病研究进展》则提及，人工智能在MASH领域的应用将成为新兴方向，涵盖AI驱动MASH新药全周期研发，以及原生多模态模型用于已上市药物的临床疗效预测与安全性监测[7]。

未来发展方向将聚焦于AI赋能MASH新药研发全流程，以及原生多模态模型用于已获批药物在临床实践中的疗效预测与不良反应监控。

△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）

尽管如此，人工智能在肝脏疾病领域的大规模应用仍面临多重挑战与局限。在影像评估层面，不同设备或探头的硬件参数差异、成像序列的非标准化以及图像重建方法的多样性，导致数据采集存在显著变异，制约模型的泛化性能。在组织学评估层面，目前仍缺乏病理切片数字化、数据格式统一、图像压缩标准及元数据存储的通用规范，致使多中心数据整合与共享面临障碍。在无创筛查高危人群方面，模型构建需要高质量、有代表性的数据集以消除潜在偏倚，而此类数据资源的获取仍存在瓶颈。在临床预后预测方面，目前仍缺乏前瞻性、基于人工智能的随机对照临床试验，以验证AI模型在改善患者临床结局方面的增量价值。这些问题的解决亟需数据科学家、临床专家、伦理学者及监管机构的跨学科协作与持续探索。

总结与展望

人工智能技术正深度重塑MASH领域的传统病理评估范式，其价值不仅体现在替代人工操作，更在于挖掘传统手段难以察觉的细微病变与深层规律。鉴于MASLD复杂的病理机制与人群的高度异质性，该领域的深入研究亟需人工智能的深度挖掘与持续赋能。当前AI应用仍面临诸多待解难题，包括数据质量与隐私保护、临床验证与监管审批、模型可解释性（AI黑箱问题）、伦理公平性等。伴随技术的持续迭代与政策的不断优化，人工智能必将在MASLD/MASH的临床实践与科研创新中扮演愈发关键的角色，为患者提供更精准、更个性化的诊疗方案。

参考文献：（上下滑动查看更多）

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.

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。