PDF下载 ( 655 KB)
人工智能在慢加急性肝衰竭预后预测模型中的研究现状
DOI: 10.12449/JCH240927
Current status of research on artificial intelligence in prognostic prediction models for acute-on-chronic liver failure
-
摘要: 慢加急性肝衰竭（ACLF）是在慢性肝病基础上出现的急性肝功能恶化，且以肝脏和/或肝外器官衰竭和短期高病死率为主要特征的复杂临床综合征。目前缺乏有效的治疗手段，内科综合治疗下病死率高达50%～90%。开发简单快捷、准确性高的ACLF预后预测模型，能帮助临床医师早期准确判断ACLF患者预后，识别预后不良患者，从而实施早期干预，可在一定程度上改善预后，有助于降低病死率。随着计算机科学的不断发展，数据处理能力愈发强大，人工智能越来越受到重视，在肝脏疾病的诊断、治疗、预后预测等多方面均有应用。本文结合国内外研究现状，对常见的ACLF预后模型和机器学习预后预测模型进行综述，总结最新研究进展，为ACLF预后预测模型未来发展提供新思路。Abstract: Acute-on-chronic liver failure （ACLF） is a complex clinical syndrome of acute liver function deterioration on the basis of chronic liver diseases， characterized by hepatic and/or extra-hepatic organ failure and a high short-term mortality rate. At present， there is still a lack of effective treatment methods， and the mortality rate of ACLF reaches 50% — 90% after comprehensive medical treatment. A simple， rapid， and accurate prognostic prediction model for ACLF can help clinicians accurately judge the prognosis of ACLF patients in the early stage， identify the patients with poor prognosis， and provide early interventions， which can improve patient prognosis to some extent and help to reduce mortality rates. With the continuous development of computer science and increasingly powerful data processing capabilities， artificial intelligence is gaining more attention and has been applied in various aspects of liver diseases including diagnosis， treatment， and prognostic prediction. With reference to the current status of research in China and globally， this article reviews the common prognostic models for ACLF and machine learning-based prognostic prediction models and summarizes the latest research advances， in order to provide new perspectives for the future development of prognostic prediction models for ACLF.
-
Key words:
- Acute-On-Chronic Liver Failure /
- Artificial Intelligence /
- Machine Learning /
- Prognosis
-
慢加急性肝衰竭（ACLF）指伴有或者不伴肝硬化的慢性肝病患者，合并肝脏和肝外器官功能衰竭。2023年11月9日Hepatology在线发表了由美国肝病学会（AASLD）专家小组制定的ACLF实践指南［1］，对于ACLF和肝硬化危重症患者管理相关主题的文献进行了全面审查和分析，并提出了指导意见。
1. ACLF定义
指导意见：
（1）ACLF定义中需要包括以下方面：①临床症状急性出现，迅速恶化。②存在或不存在肝硬化患者出现肝衰竭的表现，定义为胆红素升高以及国际标准化比值（INR）延长。③至少存在1个肝外器官功能衰竭（神经、循环、呼吸或者肾脏）。
（2）本文指导意见主要是聚焦于ACLF和严重器官衰竭患者的管理，这些患者通常需要在重症监护室（ICU）治疗。
2. 预后预测模型
指导意见：
（3）与肝硬化相关预后评分（如MELD或MELD-Na）相比，推荐使用肝和肝外器官衰竭评分（例如NACSELD、CLIF-C或AARC ACLF评分），以评估肝硬化和/或ACLF危重患者的预后。
（4）连续计算ACLF特异性评分可能有助于进一步评估ACLF住院患者的预后。
3. 肝硬化合并ACLF和/或危重症患者脏器功能衰竭管理建议
3.1 脑衰竭
指导意见：
（5）应使用West Haven肝性脑病（HE）分级标准和格拉斯哥（Glasgow）昏迷评分来描述肝硬化危重症患者脑功能衰竭情况。根据West Haven标准3级或4级HE和Glasgow昏迷评分<8分表示严重脑损伤。
（6）3级和4级HE患者考虑收住到ICU治疗。
（7）疑似HE患者应查找潜在的诱发因素，并进行经验性治疗。
（8）肝硬化合并意识障碍的患者，应同时查找肝脏无关的病因（如酒精戒断、结构性脑损伤等），特别是第一次发生意识障碍或者对充分的经验性治疗效果不好的患者。
（9）ACLF/危重患者HE治疗包括乳果糖（口服或直肠给药），如果患者有肠梗阻/腹胀的风险，可以使用聚乙二醇。ACLF患者中，使用利福昔明作为乳果糖/聚乙二醇的联合治疗方案值得进一步研究。
（10）半衰期较短的药物（例如异丙酚、右美托咪定）可用于肝硬化患者气管插管和机械通气时镇静镇痛治疗。
（11）对症状与既往HE发作相似的患者，无需常规进行头颅影像学检查。
（12）不建议对肝硬化意识状态改变患者行常规检测血氨水平。
3.2 心血管衰竭
指导意见：
（13）所有肝硬化危重患者均应进行容量状态、器官灌注和心血管功能的早期基线评估。
（14）伴有肝硬化、低血压或休克的患者，床旁超声心动图有助于评估容量状态和心脏功能。
（15）对于肝硬化合并休克的危重患者，应利用血流动力学监测工具实施谨慎的容量复苏策略，以优化容量状态。如果需要复苏，建议使用平衡晶体（例如乳酸林格液）和/或白蛋白（选择适应证）。
（16）考虑将肝硬化和脓毒性休克患者目标平均动脉压（MAP）设定为65 mmHg，并持续评估器官终末灌注。当需要充分评估心功能、滴定血管活性药以及指导液体复苏时可进行有创血流动力学监测（动脉和中心静脉导管）。
（17）推荐将去甲肾上腺素作为经适当液体复苏后仍存在低血压患者的首选血管升压药。当需要增加去甲肾上腺素剂量时，推荐使用血管升压素作为二线药物。
（18）对于需要使用高剂量血管升压药的难治性休克患者，可考虑筛查肾上腺功能不全或者经验性给予氢化可的松50 mg静脉注射，每6 h一次或200 mg静脉滴注7 d或直到转出ICU。
3.3 呼吸衰竭
指导意见：
（19）对于肝硬化合并呼吸衰竭患者，应对与肝硬化相关的呼吸合并症（胸腔积液、腹水、肝肺综合征）进行检查和治疗。对于与胸腔积液或张力性腹水相关的呼吸合并症患者，建议进行治疗性胸腔穿刺术/腹腔穿刺术。
（20）在治疗ACLF合并急性低氧性呼吸衰竭时，应考虑使用经鼻高流量吸氧治疗，并密切监测，以评估是否需要升级为有创机械通气（例如呼吸急促、难治性低氧血症）。
（21）对于非急性肺损伤（ALI）需要机械通气的肝硬化和/或ACLF患者，提倡采用低平台压（潮气量，6～10 mL/kg预测体质量）的肺保护性通气策略，以尽可能防止呼吸机相关肺损伤。提倡尽可能保留患者自主呼吸。
（22）在需要机械通气的ACLF合并ALI患者中，推荐采用低潮气量（6 mL/kg预测体质量）和低平台压（<30 cm H2O）的肺保护策略。
（23）在ACLF合并轻度ALI（PaO2/FiO2：200～300 mmHg）患者机械通气期间，应考虑采用低呼气末正压策略，以尽量减少对静脉回流和心脏前负荷的影响。对于中重度ALI患者可能需要高低呼气末正压策略。
3.4 肾衰竭
指导意见：
（24）对于肝硬化和急性肾损伤（AKI）患者，在停用利尿剂并治疗细菌感染、低容量等诱发因素后，可给予1 g/kg白蛋白输注，最大剂量为100 g/d，建议持续48 h。
（25）对于符合2期或更高程度的肝肾综合征-急性肾损伤（HRS-AKI）诊断标准的患者，在排除禁忌证后，推荐使用血管收缩剂联合白蛋白（20～40 g/d）。目前，还不建议在1期AKI患者中使用血管收缩剂。在使用血管收缩剂治疗HRS过程中，输注白蛋白的最佳疗程尚不清楚。
（26）特利加压素（0.5～2.0 mg静脉注射，每6 h一次或者2 g/24 h持续输注）适用于HRS-AKI 2级及以上，且不存在EASL-CLIF标准ACLF-3级或主要心脏、肺部及血管疾病的住院患者。
（27）去甲肾上腺素可作为特利加压素的替代品用于HRS-AKI患者，对于存在休克的患者可能是更好的选择。
（28）肝硬化合并AKI患者进行肾替代治疗应该个体化。总体而言，肾替代治疗推荐用于药物治疗失败及已经列入或考虑列入肝移植等待名单的HRS-AKI患者。
（29）肝移植是肝硬化HRS-AKI的最终治疗方法，但需要结合多器官功能衰竭情况和肝移植的整体候选情况来考虑。
3.5 感染的控制
指导意见：
（30）对于因肝硬化并发症住院的患者，特别是ACLF患者，建议对感染进行全面检查，包括诊断性穿刺、血培养、尿检、尿液培养和胸部X线检查。
（31）对于临床状态发生改变（新出现或者恶化的腹水、HE、AKI、器官衰竭和/或ACLF）的患者，应重复进行感染筛查。
（32）应根据感染的病因、严重程度、感染方式和当地的耐药模式来选择抗生素。
（33）为预防肝硬化住院患者的感染和继发ACLF，应尽量减少使用质子泵抑制剂和导尿。
（34）对适当抗生素治疗48 h后仍无反应的院内感染和/或ACLF患者，考虑扩大抗菌药物的覆盖范围，包括多重耐药菌和/或真菌感染。
3.6 凝血功能障碍
指导意见：
（35）凝血酶生成或全血黏弹性测定等凝血功能全面检测，能更好地反映肝硬化患者的总体止血状况，但尚未得到临床验证。
（36）INR不应用于评估肝硬化/ACLF患者的出血风险。
（37）肝硬化患者治疗性抗凝后出血并发症的发生率与一般人群治疗性抗凝后出现非门静脉高压性出血并发症的发生率相同。对于患有ACLF和严重血小板减少（血小板计数<50×109/L）的患者，应根据具体情况决定全身抗凝治疗的安全性。
3.7 营养支持
指导意见：
（38）建议营养支持团队及早参与ACLF住院患者诊疗方案制订。
（39）应在肝硬化和/或ACLF患者进入ICU时对其营养状况和风险进行客观评估（如NUTRIC评分）。
（40）如果有间接热量计，则应测量能量和蛋白质需求量；如果没有间接热量计，则应使用预测方程计算能量和蛋白质需求量。
（41）在使用预测方程计算肝硬化和/或ACLF患者能量和蛋白质需求量时，建议使用理想体质量而不是实际体质量。
（42）应考虑将ACLF患者的初始热量目标设定为12～25 kcal/kg，但上限应适合无肥胖症的患者，并随着临床病程的发展逐步提高目标值。
（43）不建议限制蛋白质摄入；推荐肝硬化和/或ACLF患者在重症监护病房的蛋白质摄入标准为每天1.2～2.0 g/kg理想体质量。
（44）如果没有禁忌证，建议使用肠内营养而非肠外营养。
（45）对于需要大剂量血管加压支持的患者（例如>0.15 μg·kg-1·min-1的去甲肾上腺素或其他同等剂量药物），应继续使用肠内营养支持。
（46）开始营养支持后，应监测营养不良患者的再喂养综合征（如低钾血症、低磷血症、心律失常等），进行常规电解质/心电图监测。
（47）建议肝硬化危重患者或ACLF患者的目标血糖值为140～180 mg/dL（7.8～10.0 mmol/L）。
3.8 肝移植治疗
指导意见：
（48）对于肝硬化和ACLF和/或危重患者，可在选定的患者中快速进行肝移植治疗。但目前，与可接受结果相关的具体预测因素尚不明确。
（49）在决定是否进行治疗时，应根据是否适合快速肝移植的可用资源和ACLF的潜在可逆性来决定。
3.9 姑息治疗
指导意见：
（50）对于伴有肝硬化和/或ACLF的重症患者，应考虑进行姑息治疗咨询，以确定和解释预后，并确定护理目标。
（51）患者护理团队的任何成员都可以通过晚期护理计划和症状管理来提供基本的姑息关怀。在条件允许的情况下，姑息关怀专家和肝病专家应通力合作，为每位患者实现预期的关怀目标。
（52）以疾病为导向的关怀，可对患者进行移植评估，并将患者列入等待名单，也可以同时提供姑息关怀服务或姑息关怀专科咨询。
-
表 1 传统ACLF预后模型总结及比较
Table 1. The summary and comparison of common prognostic models for ACLF patients
评分模型 构建模型样本量 纳入指标 模型构建方式 优点 缺点 CTP［9］ - HE分级、腹腔积液程度、TBil、Alb、PT 分层分析 计算简单，数据易获取，多方面评估基础肝功能情况 未对患者一般情况及其他器官进行评估 MELD［10］ - TBil、INR、Cr、病因、年龄 3.78×ln（TBil）+11.2×ln（INR）+ 9.57×ln（Cr）+6.43×（胆汁性或酒精性0，其他1）（线性回归） 纳入年龄和病因，评估患者的一般状况 未对感染、肝性脑病等预后高危因素进行评价 APACHEⅡ［11］ 100例酒精相关性ACLF APS、CPS 线性回归 客观地反映出患者疾病严重程度 指标涉及面广泛，复杂且难以实施 CLIF-C［12］ 1 349例CANONIC研究患者 PaO2/FiO2、SPO2/FiO2、WBC、HE分级、TBil、Cr、INR、MAP CLIF-C ACLF=10×［0.33×CLIF-OF+0.04×年龄+0.63×ln（WBC）－2］（线性回归） 评估了除肝脏以外的循环系统、呼吸系统等器官的情况 计算繁琐，基于西方国家酒精性肝硬化患者，对其他病因患者预测性能未得到验证 AARC-ACLF［13］ 1 402例符合APASL定义的ACLF患者 INR、Cr、TBil、HE分级、血乳酸 分层分析 计算简单，检验结果易获取，样本量大 缺乏大样本量验证模型，对其他标准下的预测性能不详 COSSH-ACLF［14］ 1 322例重症乙型肝炎患者 INR、TBil、血尿素、年龄、中性粒细胞数量、HE分级 1.649×ln（INR）+0.457 8×HE评分+0.425×ln（中性粒胞）+ 0.396×ln（TBil）+0.576×ln（尿素氮）+0.33×年龄（线性回归） 基于大样本量HBV-ACLF，对HBV-ACLF患者预测价值较高 缺乏大样本量验证模型，对其他病因ACLF患者预测性能不详 注：APACHE Ⅱ，急性生理慢性健康评分；CLIF-C，慢性肝脏疾病研究协作组评分；AARC-ACLF，亚太肝病学会慢加急性肝衰竭评分；COSSH-ACLF，中国肝病协作组慢加急性肝功能衰竭评分；INR，国际标准化比值；PT，凝血酶原时间；Cr，血清肌酐；APS，急性生理评分；CPS，慢性健康评分；PaO2，动脉血氧浓度；FiO2，吸入氧浓度；SPO2，血氧饱和度；MAP，平均动脉压；APASL，亚太肝病学会；CLIF-OF，CLIF-器官衰竭评分系统。
下载: 导出CSV
表 2 ACLF中的机器学习模型
Table 2. Mechine learning model of ACLF
作者 方法 诊断标准 比较对象 28天预测准确性 90天预测准确性 Zheng等［23］ ANN APASL-ACLF MELD - AUC=0.765，P<0.001 Hou等［24］ ANN APASL-ACLF MELD、MELD-Na、CTP、
CLIF-ACLF
AUC=0.748，95%CI：0.673～0.822 AUC=0.754，95%CI：0.697～0.812 Shi等［25］ CART、LR APASL-CLIF MELD - CART：AUC=0.896，LR：AUC=0.914，P值均<0.001 Verma等［26］ XGB-CV APASL-ACLF XGB、GBM、RF、DL、NB、
FLM、DT、SVM、MELD
AUC=0.878，95%CI：0.854～0.898（30天） XGB-CV：AUC=0.919，95%CI：0.908～0.930 注：SVM，支持向量机。
下载: 导出CSV
-
[1] MOREAU R, JALAN R, GINES P, et al. Acute-on-chronic liver failure is a distinct syndrome that develops in patients with acute decompensation of cirrhosis[J]. Gastroenterology, 2013, 144( 7): 1426- 1437. e 9. DOI: 10.1053/j.gastro.2013.02.042. [2] MIAO N, WANG FZ, ZHENG H, et al. Estimation of incidence of viral hepatitis B and analysis on case characteristics in China, 2013-2020[J]. Chin J Epidemiol, 2021, 42( 9): 1527- 1531. DOI: 10.3760/cma.j.cn112338-20210319-00227.缪宁, 王富珍, 郑徽, 等. 中国2013—2020年乙型肝炎发病情况估算和病例特征分析[J]. 中华流行病学杂志, 2021, 42( 9): 1527- 1531. DOI: 10.3760/cma.j.cn112338-20210319-00227. [3] ARROYO V, MOREAU R, JALAN R. Acute-on-chronic liver failure[J]. N Engl J Med, 2020, 382( 22): 2137- 2145. DOI: 10.1056/nejmra1914900. [4] JALAN R, GUSTOT T, FERNANDEZ J, et al.‘Equity’ and‘Justice’ for patients with acute-on chronic liver failure: A call to action[J]. J Hepatol, 2021, 75( 5): 1228- 1235. DOI: 10.1016/j.jhep.2021.06.017. [5] LING SB, JIANG GJ, QUE QY, et al. Liver transplantation in patients with liver failure: Twenty years of experience from China[J]. Liver Int, 2022, 42( 9): 2110- 2116. DOI: 10.1111/liv.15288. [6] LI P, LIANG X, LUO JJ, et al. Predicting the survival benefit of liver transplantation in HBV-related acute-on-chronic liver failure: An observational cohort study[J]. Lancet Reg Health West Pac, 2022, 32: 100638. DOI: 10.1016/j.lanwpc.2022.100638. [7] YANG LS, SHAN LL, SAXENA A, et al. Liver transplantation: A systematic review of long-term quality of life[J]. Liver Int, 2014, 34( 9): 1298- 1313. DOI: 10.1111/liv.12553. [8] HERNAEZ R, LIU Y, KRAMER JR, et al. Model for end-stage liver disease-sodium underestimates 90-day mortality risk in patients with acute-on-chronic liver failure[J]. J Hepatol, 2020, 73( 6): 1425- 1433. DOI: 10.1016/j.jhep.2020.06.005. [9] PUGH RN, MURRAY-LYON IM, DAWSON JL, et al. Transection of the oesophagus for bleeding oesophageal varices[J]. Br J Surg, 1973, 60( 8): 646- 649. DOI: 10.1002/bjs.1800600817. [10] MALINCHOC M, KAMATH PS, GORDON FD, et al. A model to predict poor survival in patients undergoing transjugular intrahepatic portosystemic shunts[J]. Hepatology, 2000, 31( 4): 864- 871. DOI: 10.1053/he.2000.5852. [11] KNAUS WA, ZIMMERMAN JE, WAGNER DP, et al. APACHE-acute physiology and chronic health evaluation: A physiologically based classification system[J]. Crit Care Med, 1981, 9( 8): 591- 597. DOI: 10.1097/00003246-198108000-00008. [12] HERNAEZ R, SOLÀ E, MOREAU R, et al. Acute-on-chronic liver failure: An update[J]. Gut, 2017, 66( 3): 541- 553. DOI: 10.1136/gutjnl-2016-312670. [13] CHOUDHURY A, JINDAL A, MAIWALL R, et al. Liver failure determines the outcome in patients of acute-on-chronic liver failure(ACLF): Comparison of APASL ACLF research consortium(AARC) and CLIF-SOFA models[J]. Hepatol Int, 2017, 11( 5): 461- 471. DOI: 10.1007/s12072-017-9816-z. [14] WU T, LI J, SHAO L, et al. Development of diagnostic criteria and a prognostic score for hepatitis B virus-related acute-on-chronic liver failure[J]. Gut, 2018, 67( 12): 2181- 2191. DOI: 10.1136/gutjnl-2017-314641. [15] DEO RC. Machine learning in medicine[J]. Circulation, 2015, 132( 20): 1920- 1930. DOI: 10.1161/CIRCULATIONAHA.115.001593. [16] ZHOU J, HU B, FENG W, et al. An ensemble deep learning model for risk stratification of invasive lung adenocarcinoma using thin-slice CT[J]. NPJ Digit Med, 2023, 6( 1): 119. DOI: 10.1038/s41746-023-00866-z. [17] WALSH JA, ROZYCKI M, YI E, et al. Application of machine learning in the diagnosis of axial spondyloarthritis[J]. Curr Opin Rheumatol, 2019, 31( 4): 362- 367. DOI: 10.1097/BOR.0000000000000612. [18] VAMATHEVAN J, CLARK D, CZODROWSKI P, et al. Applications of machine learning in drug discovery and development[J]. Nat Rev Drug Discov, 2019, 18( 6): 463- 477. DOI: 10.1038/s41573-019-0024-5. [19] TIAN D, YAN HJ, HUANG H, et al. Machine learning-based prognostic model for patients after lung transplantation[J]. JAMA Netw Open, 2023, 6( 5): e2312022. DOI: 10.1001/jamanetworkopen.2023.12022. [20] AHN JC, CONNELL A, SIMONETTO DA, et al. Application of artificial intelligence for the diagnosis and treatment of liver diseases[J]. Hepatology, 2021, 73( 6): 2546- 2563. DOI: 10.1002/hep.31603. [21] KINOSHITA F, TAKENAKA T, YAMASHITA T, et al. Development of artificial intelligence prognostic model for surgically resected non-small cell lung cancer[J]. Sci Rep, 2023, 13( 1): 15683. DOI: 10.1038/s41598-023-42964-8. [22] SIDEY-GIBBONS JAM, SIDEY-GIBBONS CJ. Machine learning in medicine: A practical introduction[J]. BMC Med Res Methodol, 2019, 19( 1): 64. DOI: 10.1186/s12874-019-0681-4. [23] ZHENG MH, SHI KQ, LIN XF, et al. A model to predict 3-month mortality risk of acute-on-chronic hepatitis B liver failure using artificial neural network[J]. J Viral Hepat, 2013, 20( 4): 248- 255. DOI: 10.1111/j.1365-2893.2012.01647.x. [24] HOU YX, ZHANG QQ, GAO FY, et al. Artificial neural network-based models used for predicting 28- and 90-day mortality of patients with hepatitis B-associated acute-on-chronic liver failure[J]. BMC Gastroenterol, 2020, 20( 1): 75. DOI: 10.1186/s12876-020-01191-5. [25] SHI KQ, ZHOU YY, YAN HD, et al. Classification and regression tree analysis of acute-on-chronic hepatitis B liver failure: Seeing the forest for the trees[J]. J Viral Hepat, 2017, 24( 2): 132- 140. DOI: 10.1111/jvh.12617. [26] VERMA N, CHOUDHURY A, SINGH V, et al. APASL-ACLF Research Consortium-Artificial Intelligence(AARC-AI) model precisely predicts outcomes in acute-on-chronic liver failure patients[J]. Liver Int, 2023, 43( 2): 442- 451. DOI: 10.1111/liv.15361. [27] LUO W, PHUNG D, TRAN T, et al. Guidelines for developing and reporting machine learning predictive models in biomedical research: A multidisciplinary view[J]. J Med Internet Res, 2016, 18( 12): e323. DOI: 10.2196/jmir.5870. [28] YU KH, BEAM AL, KOHANE IS. Artificial intelligence in healthcare[J]. Nat Biomed Eng, 2018, 2( 10): 719- 731. DOI: 10.1038/s41551-018-0305-z. [29] CAO ZJ, LI FD, XIANG XG, et al. Circulating cell death biomarker: Good candidates of prognostic indicator for patients with hepatitis B virus related acute-on-chronic liver failure[J]. Sci Rep, 2015, 5: 14240. DOI: 10.1038/srep14240. [30] ARIZA X, GRAUPERA I, COLL M, et al. Neutrophil gelatinase-associated lipocalin is a biomarker of acute-on-chronic liver failure and prognosis in cirrhosis[J]. J Hepatol, 2016, 65( 1): 57- 65. DOI: 10.1016/j.jhep.2016.03.002. [31] JUANOLA A, GRAUPERA I, ELIA C, et al. Urinary L-FABP is a promising prognostic biomarker of ACLF and mortality in patients with decompensated cirrhosis[J]. J Hepatol, 2022, 76( 1): 107- 114. DOI: 10.1016/j.jhep.2021.08.031. [32] PENG H, ZHANG Q, LUO L, et al. A prognostic model of acute-on-chronic liver failure based on sarcopenia[J]. Hepatol Int, 2022, 16( 4): 964- 972. DOI: 10.1007/s12072-022-10363-2. [33] HE TC, FONG JN, MOORE LW, et al. An imageomics and multi-network based deep learning model for risk assessment of liver transplantation for hepatocellular cancer[J]. Comput Med Imaging Graph, 2021, 89: 101894. DOI: 10.1016/j.compmedimag.2021.101894. -
本文二维码
计量
- 文章访问数: 361
- HTML全文浏览量: 134
- PDF下载量: 51
- 被引次数: 0
