PDF下载 ( 694 KB)
纤维化非酒精性脂肪性肝炎无创诊断的研究进展
DOI: 10.12449/JCH241125
Research advances of noninvasive diagnosis of fibrotic non-alcoholic steatohepatitis
-
摘要: 非酒精性脂肪性肝病（NAFLD）患者中有一部分可发展为非酒精性脂肪性肝炎（NASH），当NASH的纤维化程度F≥2且NAFLD活动度评分≥4时，该阶段的NASH被称为纤维化NASH，是药物临床试验中的重点关注对象。目前肝组织活检是评估肝组织学变化的金标准，但因其有创性限制了临床上的应用，因此开发纤维化NASH的非侵入性检测方法显得尤为重要。本文总结了近年来针对纤维化NASH的新型无创诊断方法的相关研究成果，阐述了新型诊断方法对纤维化NASH预测的现状、面临的挑战和未来的发展前景。Abstract: A subset of patients with non-alcoholic fatty liver disease （NAFLD） can progress to nonalcoholic steatohepatitis （NASH）. When NASH reaches a fibrosis degree of F≥2 and a NAS score of≥4， this stage of NASH is referred to as fibrotic NASH， which is a key focus in clinical drug trials. Currently， liver biopsy is the gold standard for assessing the histological changes of the liver， but its clinical application is limited by its invasiveness， and therefore， it is of particular importance to develop noninvasive detection methods for fibrotic NASH. This article summarizes the recent research achievements in novel noninvasive diagnostic methods for fibrotic NASH and elaborates on these new diagnostic methods for predicting fibrotic NASH in terms of current status， challenges faced， and prospects for future development.
-
Key words:
- Non-alcoholic Fatty Liver Disease /
- Fibrosis /
- Biomarkers /
- Diagnosis /
- Artificial Intelligence
-
非酒精性脂肪性肝病（NAFLD）是指除酒精和其他明确的损肝因素所致的肝细胞内脂肪过度沉积为主要特征的临床病理综合征［1］。NAFLD是目前世界范围内最常见的慢性肝病，现已从1990—2006年的25.3%上升到2016—2019年的38.0%。非酒精性脂肪性肝炎（NASH）是NAFLD的一种侵袭性形式［2］，有肝脏炎症和肝细胞损伤的证据，表现为气球状，也是肝脏显著纤维化背后发展的驱动力，当NASH的纤维化程度F≥2且NAFLD活动度评分（NAS）≥4时，该阶段的NASH被称为纤维化NASH［3-4］；而美国普通人群的可能纤维化NASH患病率从1999—2004年的6.9%上升到2011—2016年的9.2%，在总体人群中，纤维化NASH的患病率为8.4%，且这一正向趋势在两性、肥胖及糖尿病患者中均有体现［5］。随着纤维化NASH肝硬度值的升高，肝脏相关的发病率和死亡率呈指数增长［6］，这一问题迅速成为公共卫生关注的焦点，因此纤维化NASH的临床诊断十分重要。目前，肝活检仍然是诊断NASH活动性和纤维化分期的金标准，但它存在严重的局限性，例如有创性、高耗费、过度依赖操作者等多项缺点。因此，通过肝活检进行纤维化分级和分期大规模筛查高危人群，可行性不高。此外，即使是大型活检在NAFLD中也有显著的抽样变异性［7］，而利用生物标志物、无创纤维化评分模型、人工智能（AI）辅助纤维化诊断等无创方法诊断纤维化NASH就显得尤为重要。
1. 生物标志物
1.1 Ⅰ型血小板结合蛋白基序的去整合素样金属蛋白酶样蛋白（ADAMTSL2）
ADAMTSL2是一种可信的纤维化标志物，通过与TGF-β1结合蛋白和结构性细胞外基质蛋白fibrillin-1的相互作用参与纤维形成［8］。在最近高通量技术（SomaLogic、Olink）被开发的背景下，Corey等［9］采用多重亲和试验（SomaScan），使用头结合DNA适体，特异性捕获定义的蛋白质，并且可以在微阵列格式中定量。该研究采用了一种先进的4783-plex SomaScan检测方法，该方法鉴定并确认了一种能够准确分类高危NASH（NAS≥4， F≥2）即纤维化NASH的单一蛋白生物标志物（ADAMTSL2），其性能可与目前在相同验证队列中确定的最佳纤维化标记算法［如肝纤维化4因子指数（FIB-4）和一组基于血液的生物标志物（NIS4）］相媲美；研究还定义了一个基于代谢、炎症和凋亡标志物的8蛋白NAFLD纤维化小组（NAFLD Fibrosis Protein Panel，NFPP），其表现与ADAMTSL2类似［受试者工作特征曲线下面积（AUC）为0.80～0.89］。将ADAMTSL2或NFPP添加到FIB-4或NIS4进一步改善了AUC和预测值，鉴于活检抽样的变异性，达到了无法进一步改进的程度，推动了生物标志物无创诊断纤维化NASH的研究进程。
1.2 壳多糖酶3样蛋白1（CHI3L1）
CHI3L1属于哺乳动物几丁酶家族成员之一，具有多种生物学活性，参与炎性反应，调节细胞增殖、细胞黏附、细胞迁移和细胞激活等过程［10］。近年研究显示，肝内CHI3L1主要来源于肝巨噬细胞及肝星状细胞等，是成纤维细胞和肝星状细胞的生长因子，可激活肝星状细胞并促进造血干细胞分化为肌纤维母细胞，表达平滑肌肌动蛋白α及细胞珠蛋白，分泌大量细胞外基质蛋白，包括胶原纤维Ⅰ型和Ⅲ型，导致肝纤维化形成。因此，CHI3L1可能是导致肝纤维化形成的潜在标志物［11］。对CHI3L1在肝纤维化分期中的研究［12］表明，CHI3L1诊断显著肝纤维化的AUC为0.847，高于透明质酸（HA）（AUC=0.703）、层粘连蛋白（AUC=0.639）、Ⅲ型前胶原氨基端肽（PⅢNP）（AUC=0.743）、Ⅳ型胶原（AUC=0.774），差异有统计学意义（P<0.05），证明了血清CHI3L1是辅助诊断慢性肝病患者肝脏显著纤维化的良好指标，具有较好的临床应用价值，这也为未来纤维化NASH的无创性诊断提供了研究方向。
1.3 核富集转录体1（NEAT1）
长链非编码RNA（lncRNA）是一种相对稳定的遗传标记，尤其是血浆外泌体中的lncRNA结构稳定，更适用于常规检测。近些年，越来越多的基础研究［13］表明，NEAT1在肝纤维化过程中起关键作用。为获得更多临床研究的证据支持，王艳团队［14］通过对183例NASH患者的血液样本进行实时荧光定量PCR法检测，采用多元线性回归分析和受试者工作特征曲线（ROC曲线）分析血清外泌体lncRNA NEAT1相对表达量对纤维化NASH的诊断价值；肝纤维化NASH患者血清外泌体lncRNA NEAT1高于非肝纤维化NASH患者或正常对照人群，且特异性极高，因此检测血清外泌体lncRNA NEAT1可为肝纤维化的诊断及疾病进展评估提供有效的参考价值。
1.4 PRO-C3
PRO-C3是一种ADAMTS生成的Ⅲ型胶原形成的新表位标志物，有实验研究［15］表明PRO-C3与纤维化严重程度和组织学参数高度相关，伴有肝纤维化的NASH患者的PRO-C3明显高于无纤维化的患者。在衍生队列中，发现进展性纤维化（F≥3）患者中Ⅲ型胶原形成的新表位标记PRO-C3与轻度/中度组相比显著升高。PRO-C3与疾病严重程度高度相关，与纤维化严重程度中度相关。PRO-C3能够区分以下纤维化阶段：F0与F2，F0与F3，F1与F3和F0与F4。此外，PRO-C3可以区分肝细胞球囊膨胀、小叶炎症和脂肪变性的不同阶段。总之，基于PRO-C3和临床变量（年龄、糖尿病和血小板计数）的生物标志物评分（ADAPT）可以准确预测NAFLD人群中是否存在进展性纤维化。因此，这种生物标志物可用于临床试验筛选，以识别极有可能具有纳入临床试验所需的组织学标准的个体，从而减少不必要的肝活检次数。此外，初步证据表明，纤维生成的生物标志物也可能具有作为预后富集工具的潜力，从而使试验人群中极有可能出现疾病进展的患者达到饱和状态，并提高临床试验的效率和效力，为无创诊断纤维化NASH提供了一种思路。
1.5 血清紫藤凝集素阳性Mac-2结合蛋白［WFA（+）- M2BP］
WFA（+）-M2BP是由肝细胞、成纤维细胞等多种细胞分泌的细胞外基质组分。近来一项实验队列研究［16］表明，在调整年龄、性别和身体质量指数（BMI）后，WFA（+）-M2BP水平在纤维化NASH（F≥2）与健康对照组和早期NASH（F0～F1）相比显著升高，ROC曲线分析表明，WFA（+）- M2BP能准确区分纤维化NASH（F≥2）和早期NASH（F0～F1）。此外，WFA（+）-M2BP水平与炎症和NAFLD活动性评分中度相关，与纤维化分期相关更强，因此可应用于无创纤维化NASH诊断中。
2. 无创影像学技术
近年来无创影像学技术的发展对诊断肝纤维化提供了很大的帮助，其中振动控制瞬时弹性成像（vibration controlled transient elastography， VCTE）、磁共振弹性成像（magnetic resonance elastography， MRE）、声辐射力脉冲成像（acoustic radiation force impulse imaging，ARFI）在评价肝硬度值、反映肝硬化程度方面的表现则更为突出。
VCTE通过测量剪切波穿过肝脏的速度得出肝脏硬度测量值（LSM），LSM可作为肝纤维化标志［17］。但VCTE检查操作易受患者呼吸运动、检测前进食活动、肋间隙狭窄及大量腹水等因素限制而导致检测失败［18］。
MRE工作原理是利用磁共振技术检测人体内组织在外力作用下发生的质点位移，并通过运动敏感梯度获取相位图，处理后继而获得弹力图；MRE通过测量肝组织的弹性硬度，反映肝组织的弹性力学特征以评估NAFLD相关肝纤维化。尽管在NASH评估中有较高的准确性，MRE也有局限性。首先，MRE高昂的费用和较低的普及性限制了临床实践中的应用；其次，受检者方面，因体内有金属植入物或过度肥胖而无法使用MRI扫描仪的患者或幽闭恐惧症患者不宜选用MRE检查［19］。
ARFI主要是通过探头发射低频脉冲从而获得一个横向低频剪切波，横波通过肝组织传播并产生小的组织位移，用测定的位移数值（即VTQ值），评价肝组织硬度，从而反映肝纤维化程度。与瞬时弹性成像技术（TE）相比，其不需要外加探头，这就避免了因探头因素导致的检测误差，而对于纤维化NASH的诊断，各种研究确定的VTQ值为1.15～1.77 m/s［20］。
3. 诊断模型
LSM是通过TE显示的肝脏硬度的数值，是一种重要的肝纤维化无创诊断技术，用以判断肝纤维化的状态。根据是否含有LSM将无创模型进行分类。
3.1 含有LSM的无创模型
3.1.1 列线图模型概述
代谢综合征（metabolic syndrome， MetS）、血小板计数和MACK-3［一种将稳态模型评估-胰岛素抵抗与血清AST和细胞角蛋白（CK）18-M30水平相结合的公式］是纤维化NASH的独立预测因子（纤维化NASH定义为NAS≥4且F≥2）。Gao等［21］通过对两个独立的亚洲队列共636例经活检证实的NAFLD成人进行研究，开发了一种新列线图（结合了MACK-3、血小板计数和MetS）。该列线图在诊断纤维化NASH方面显示出很好的应用前景，该图和VCTE的顺序组合限制了不确定的结果，并减少了不必要的肝活检次数，是一种排除纤维化NASH的新图解。
3.1.2 FibroScan-AST评分（FAST评分）
FAST评分是由LSM、控制衰减参数和AST计算而来，对于纤维化NASH的非侵入性识别具有令人满意的性能［22］。FAST评估纤维化NASH的AUC为0.725（95%CI：0.617～0.834，P<0.001）。在派生队列中，敏感度的临界值（≥0.90）为0.35，特异度的临界值（≥0.90）为0.67［23］。根据确定的临界值，计算出FAST评分的综合敏感度为89%（95%CI：82%～93%），综合特异度为89%（95%CI：83%～94%），阴性预测值为92%（95%CI：91%～95%），阳性预测值为65%（95%CI：53%～68%）。该评分可用于有效识别需要进行结论性肝活检的患者，且其效能不受患者年龄、性别、BMI、AST和有无糖尿病的影响。
3.2 不含有LSM的无创模型
3.2.1 FibroMeter NAFLD评分及ELF测试
FibroMeter NAFLD评分是一组专有的血清标志物，显示出对纤维化分期的高诊断准确性［24］。ELF测试则是一种由HA、PⅢNP和金属蛋白酶组织抑制剂1组成的算法，在其中添加简单标志物可提高诊断性能，检测重度纤维化、中度纤维化和无纤维化的AUC分别为0.98、0.93和0.84［25］，二者均为不含有LSM的无创模型。
3.2.2 NIS4模型
NIS4是一种新的基于血液的诊断方法，为具有代谢危险因素和疑似疾病的患者提供了一种有效的非侵入性诊断或排除高危NASH的方法。在临床试验或临床中使用NIS4有可能大大减少疾病进展风险较低的患者进行不必要的肝活检。Harrison等［26］通过来自3个疑似NAFLD的独立队列的血液样本、临床数据和肝活检结果，开发和验证了一种称为NIS4的无创血液诊断测试，衍生的NIS4算法包括4个独立的NASH相关生物标志物（miR-34a-5p、α-2巨球蛋白、YKL-40和糖化血红白），在合并验证队列中，NIS4值<0.36的患者被归类为无高危NASH，其敏感度为81.5%（95%CI：6.9%～85.3%），特异度为63.5%（95%CI：57.8%～68.0%），阳性预测值为77.5%（95%CI：72.5%～84.2%）；而NIS4值>0.63的患者被归类为有高危NASH，其特异度为83.1%（95%CI：83.1%～903.1%），敏感度为50.7%（95%CI：45.3%～53.1%），阳性预测值为79.2%（95%CI：73.1%～84.2%）。并且在外部验证队列中，NIS4的诊断性能不受年龄、性别、BMI或转氨酶浓度的影响。总之，NIS4是一种新的基于血液的生物标志物小组，专门用于检测代谢危险因素患者的高危NASH（包括NAS≥4和F≥2）。且通过NIS4与FIB-4、NFS、VCTE、ELF的对比评估，得出NIS4有可能成为判定和排除高危NASH的关键测试，未来的工作可以探索将NIS4与VCTE、FIB-4、APRI、Pro-C3或ELF结合使用的算法方法，以进一步提高整体诊断准确性并减少不确定结果。
3.2.3 NIS2+TM模型概述
NIS2+TM这是一项基于血液的生物标志物NIS4®技术的优化，是一种校正性别的两种生物标志物检测，可用于高危NASH的检测。Harrison等［27］使用训练队列比较所有NIS4组合®，生物标志物NIS2（miR-34a-5p、YKL-40）被确定为参数的最佳组合。为了纠正对miR-34a-5p的性别影响（验证队列），添加了性别和性别×miR-34a-5p参数，创建了NIS2+TM。NIS2+TM具有广泛和稳健的应用潜力，在不同亚组中具有更稳健的诊断效能。
3.2.4 围脂滴蛋白2（PLIN2）和RAS癌基因家族成员蛋白14（RAB14）
作为单核细胞蛋白，PLIN2和RAB14能够分别预测NASH和肝纤维化的存在与严重程度［28］。而PLIN2算法和RAB14算法很好地预测了代谢手术后NASH和肝纤维化的组织学改善，且使用循环单核细胞的液体活检可以准确地预测NASH的存在和严重程度及没有其他慢性肝脏疾病或脂肪变性的受试者的肝纤维化。
该研究提出一种包含PLIN2的诊断模型，在外周血单核细胞中测量诊断NASH的准确率为92%～93%，敏感度为88%～95%，特异度为90%～100%。同样，循环单核细胞中含有RAB14的算法诊断肝纤维化的准确率为99.2%～97.6%，敏感度为90%～98%，特异度为87%～93%。以上两种算法能够区分NASH严重程度的不同阶段，且都能准确诊断出与NASH严重程度（NAS>4）相关的显著肝纤维化（>F2）。
3.2.5 MACK-3
MACK-3是一种包含HOMA稳态模型、AST和CK18的纤维化NASH无创诊断指标。在一项针对1 924例患者的国际研究［29］中，MACK-3诊断纤维化NASH的AUC为0.791（95%CI：0.768～0.814）。同时，MACK-3<0.135的排除阈值为纤维化NASH提供了90.8%的敏感度，>0.549的纳入阈值时特异度为86.4%。MACK-3的优点在于不受年龄、性别、糖尿病或BMI的影响且结合了已有的简单生物标志物（AST）或易于在生物平台上实现的生物标志物（CK18），使得MACK-3在临床实践中得到广泛应用。在Gao等［21］研究中，基于MACK-3的性能，开发了一种结合血小板计数、MetS和MACK-3的新列线图模型，对纤维化NASH有良好的区分能力。
3.2.6 纤维化NASH指数（FNI）评分
FNI是一种基于常规实验室检查（即AST、高密度脂蛋白胆固醇和糖化血红蛋白），准确、简单的纤维化NASH无创评分方法。Tavaglione等［30］研究结果显示，FNI评估纤维化NASH的表现较佳，在衍生队列中，AUC估计的纤维化NASH的FNI性能为0.78（95%CI：0.71～0.85），在外部验证队列中，AUC范围为0.80～0.95。与FIB-4的临界值（1.3）相比，FNI的临界值（0.10）对纤维化NASH具有更高的敏感度。FNI作为一种准确且具有成本效益的无创风险分层工具，有助于确定NASH临床试验的候选人，减少筛选失败。
3.2.7 肝纤维化评分（hepatic fibrosis score， HFS）
HFS采用复杂的公式，基于性别、年龄、稳态模型评估评分、是否有糖尿病、AST水平、白蛋白和血小板计数等项目。一项研究［31］的横断面分析显示，HFS在识别显著（F0～1 vs F2～4，AUC=0.758）和晚期（F0～2 vs F3～4，AUC=0.805）纤维化方面表现最佳，特异度为97.2%，敏感度为74%，且不受患者年龄、BMI、转氨酶及血糖的影响。
4. 人工智能（AI）
在帮助肝纤维化和NAFLD的诊断与分期方面所涉及到的AI辅助模型主要有以下几种：卷积神经网络（CNN）、人工神经网络（ANN）、支持向量机（SVM）、多种AI 模型、弹性网络算法。
将AI集成到传统的非侵入性工具中，可以产生具有最佳敏感度和特异度平衡的有效诊断工具。研究显示AI系统有在帮助肝纤维化和NAFLD的诊断和分期方面的潜力。在Decharatanachart等［32］的Meta分析中，确定了10项使用AI模型诊断进展性纤维化（≥F3）的研究，其中4项开发了CNN，1项研究开发ANN，1项研究利用SVM，以及其他4项多种AI模型。且只有2项关于AI辅助诊断NAFLD的研究以肝活检为金标准，一个使用ANN，另一个使用CNN作为人工智能模型。该研究也进行了亚组分析，得出AI辅助系统诊断肝硬化、进展性纤维化和显著纤维化的总体AUC分别为0.85、0.92和0.86。Decharatanachart等［32］共纳入了19项研究，报告了AI辅助超声检查、弹性成像、计算机断层扫描、磁共振成像以及诊断肝纤维化和脂肪变性的临床参数的性能。
AI还能显著改善NAFLD、NASH和肝纤维化的诊断。Decharatanachart等［33］对13项研究进行的Meta分析表明，AI辅助超声波检查在诊断NAFLD方面表现出色，且该研究结果还表明在识别NAFLD方面AI辅助超声波成像的临床参数性能优于AI辅助临床数据集。AI辅助超声成像和AI辅助临床数据集的AUC分别为0.98和0.85；AI集成临床数据集用于鉴别NASH的集合敏感度和特异度分别为0.80（95%CI：0.75～0.85）和0.69 （95%CI：0.53～0.82）。
另外，弹性网络算法使用约束回归来拟合稀疏模型得到的模型具有直接和清晰的可解释性——每个蛋白质的系数表示影响的大小和方向。一项蛋白质组学研究［34］使用弹性网络算法探索纤维化阶段分类模型，以进一步诊断NASH并区分NASH患者的纤维化阶段。其中，由4种蛋白构成的模型区分了0～1期和2～4期纤维化患者（AUC=0.74），而12种蛋白构成的分类器区分了进展期和早期纤维化（AUC=0.83）。
综上，AI支持的系统在诊断NAFLD、NASH和识别NAFLD患者中的肝纤维化方面的性能都有望得到改善，以上各AI辅助模型的临床参数及性能总结见表1。
表 1 AI辅助模型的临床参数及性能Table 1. Clinical parameters and performance of AI-assisted modelsAI辅助模型 性能 敏感度 特异度 阳性预测值 阴性预测值 ANN和CNN 诊断NAFLD 0.97（95%CI：0.76～1.00） 0.91（95%CI：0.78～0.97） 0.95（95%CI：0.87～0.98） 0.93（95%CI：0.80～0.98） AI辅助超声波检查 诊断NAFLD 0.97（95%CI：0.91～0.99） 0.98（95%CI：0.89～1.00） 0.98（95%CI：0.93～1.00） 0.95（95%CI：0.88～0.98） AI辅助临床数据 诊断NAFLD 0.75（95%CI：0.66～0.82） 0.82（95%CI：0.74～0.88） 0.75（95%CI：0.60～0.86） 0.82（95%CI：0.74～0.87） AI辅助超声检查、弹性成像、CT、MRI以及诊断肝纤维化和脂肪变性 诊断肝硬化 0.78（95%CI：0.71～0.85） 0.89（95%CI：0.81～0.94） 0.72（95%CI：0.58～0.83） 0.92 （95%CI：0.88～0.94） 诊断进展性纤维化 0.86（95%CI：0.80～0.90） 0.87（95%CI：0.80～0.92） 0.85（95%CI：0.75～0.91） 0.88（95%CI：0.82～0.92） 诊断显著纤维化 0.86（95%CI：0.78～0.92） 0.81（95%CI：0.77～0.84） 0.88（95%CI：0.80～0.93） 0.77（95%CI：0.58～0.89） 5. 其他纤维化相关的无创诊断方法
由于肝纤维化程度可影响患者的长期预后，除了上述诊断方法外，还有许多其他无创方法用于评估NASH肝纤维化程度。血小板反应蛋白-2、血清铁蛋白等生物标志物在预测NASH及进展性纤维化方面表现较好；NFS、FIB-4评分［34］、BARD（BMI、AST/ALT比值、糖尿病）评分［35］、HepaScore®、FibroTest®、Agile 3+［36］、ADAPT评分等模型可以有效诊断进展性纤维化（F≥3）；APRI、Agile 4、Hepascore等模型对于诊断肝硬化（F=4）有较优越的准确度。此外，还有亚精胺、谷氨酰胺、循环氨基酸、胆汁酸等组学方面的无创方法用于NASH相关纤维化的诊断。目前存在的其他纤维化相关的无创诊断方法对于诊断NASH肝纤维化程度起到一定的作用，但是这些方法在纤维化NASH中的诊断价值，未来仍需进一步探索。
6. 挑战与展望
生物标志物在纤维化NASH的无创诊断研究进展中，主要挑战集中于提升诊断技术的准确性与可重复性。这包括对每个纤维化阶段的精细区分，以及多样化诊断工具的标准化问题。同时，平衡无创检测方法的敏感度与特异度，确保能够有效识别纤维化NASH而不会产生过多误诊，也是一个亟待解决的问题。此外，尽管目前已识别多个潜在生物标志物，但其在不同种群间的普适性及可靠性仍需经过更广泛的验证。本文针对纤维化NASH无创诊断技术的最新进展，着重强调了非侵入性生物标志物、医学影像及生物信息学方法的整合应用。在当前的研究中，面对肝活检的局限性和无创诊断技术在特异度与敏感度上的不足，新兴技术的应用展现了提高诊断准确性的巨大潜力。尽管在实现标准化诊断流程、生物标志物的广泛验证及提高患者依从性方面仍存在挑战，但通过持续的研究和技术创新，未来的无创诊断方法有望能更精确地预测和评估纤维化NASH。随着个性化医疗和精准医学的发展，未来的无创诊断不仅将提供疾病状态的快照，还将有助于制订个性化的治疗方案。同时，大数据和AI在无创诊断领域的应用变得日益重要，其对数据的深度学习和分析能力为早期诊断与治疗提供了新的策略。
-
表 1 AI辅助模型的临床参数及性能
Table 1. Clinical parameters and performance of AI-assisted models
AI辅助模型 性能 敏感度 特异度 阳性预测值 阴性预测值 ANN和CNN 诊断NAFLD 0.97（95%CI：0.76～1.00） 0.91（95%CI：0.78～0.97） 0.95（95%CI：0.87～0.98） 0.93（95%CI：0.80～0.98） AI辅助超声波检查 诊断NAFLD 0.97（95%CI：0.91～0.99） 0.98（95%CI：0.89～1.00） 0.98（95%CI：0.93～1.00） 0.95（95%CI：0.88～0.98） AI辅助临床数据 诊断NAFLD 0.75（95%CI：0.66～0.82） 0.82（95%CI：0.74～0.88） 0.75（95%CI：0.60～0.86） 0.82（95%CI：0.74～0.87） AI辅助超声检查、弹性成像、CT、MRI以及诊断肝纤维化和脂肪变性 诊断肝硬化 0.78（95%CI：0.71～0.85） 0.89（95%CI：0.81～0.94） 0.72（95%CI：0.58～0.83） 0.92 （95%CI：0.88～0.94） 诊断进展性纤维化 0.86（95%CI：0.80～0.90） 0.87（95%CI：0.80～0.92） 0.85（95%CI：0.75～0.91） 0.88（95%CI：0.82～0.92） 诊断显著纤维化 0.86（95%CI：0.78～0.92） 0.81（95%CI：0.77～0.84） 0.88（95%CI：0.80～0.93） 0.77（95%CI：0.58～0.89） 
下载: 导出CSV
-
[1] MATTEONI CA, YOUNOSSI ZM, GRAMLICH T, et al. Nonalcoholic fatty liver disease: A spectrum of clinical and pathological severity[J]. Gastroenterology, 1999, 116( 6): 1413- 1419. DOI: 10.1016/s0016-5085(99)70506-8. [2] WONG VW, EKSTEDT M, WONG GL, et al. Changing epidemiology, global trends and implications for outcomes of NAFLD[J]. J Hepatol, 2023, 79( 3): 842- 852. DOI: 10.1016/j.jhep.2023.04.036. [3] ANGULO P, KLEINER DE, DAM-LARSEN S, et al. Liver fibrosis, but no other histologic features, is associated with long-term outcomes of patients with nonalcoholic fatty liver disease[J]. Gastroenterology, 2015, 149( 2): 389- 397. e 10. DOI: 10.1053/j.gastro.2015.04.043. [4] TIAN AP, YANG YF. Diagnosis of nonalcoholic fatty liver disease: The importance of pathology[J]. J Clin Hepatol, 2023, 39( 3): 491- 497. DOI: 10.3969/j.issn.1001-5256.2023.03.002.田爱平, 杨永峰. 非酒精性脂肪性肝病诊断: 病理的重要性[J]. 临床肝胆病杂志, 2023, 39( 3): 491- 497. DOI: 10.3969/j.issn.1001-5256.2023.03.002. [5] CIARDULLO S, PERSEGHIN G. Trends in prevalence of probable fibrotic non-alcoholic steatohepatitis in the United States, 1999-2016[J]. Liver Int, 2023, 43( 2): 340- 344. DOI: 10.1111/liv.15503. [6] SCHUPPAN D, SURABATTULA R, WANG XY. Determinants of fibrosis progression and regression in NASH[J]. J Hepatol, 2018, 68( 2): 238- 250. DOI: 10.1016/j.jhep.2017.11.012. [7] RATZIU V, CHARLOTTE F, HEURTIER A, et al. Sampling variability of liver biopsy in nonalcoholic fatty liver disease[J]. Gastroenterology, 2005, 128( 7): 1898- 1906. DOI: 10.1053/j.gastro.2005.03.084. [8] HUBMACHER D, APTE SS. ADAMTS proteins as modulators of microfibril formation and function[J]. Matrix Biol, 2015, 47: 34- 43. DOI: 10.1016/j.matbio.2015.05.004. [9] COREY KE, PITTS R, LAI M, et al. ADAMTSL2 protein and a soluble biomarker signature identify at-risk non-alcoholic steatohepatitis and fibrosis in adults with NAFLD[J]. J Hepatol, 2022, 76( 1): 25- 33. DOI: 10.1016/j.jhep.2021.09.026. [10] ROSA MD, MALAGUARNERA L. Chitinase 3 like-1: An emerging molecule involved in diabetes and diabetic complications[J]. Pathobiology, 2016, 83( 5): 228- 242. DOI: 10.1159/000444855. [11] JOHANSEN JS, CHRISTOFFERSEN P, MØLLER S, et al. Serum YKL-40 is increased in patients with hepatic fibrosis[J]. J Hepatol, 2000, 32( 6): 911- 920. DOI: 10.1016/s0168-8278(00)80095-1. [12] MO HL, ZHUO CS, LYU XJ, et al. Clinical values of chitinase 3 like protein 1 in the diagnosis of liver fibrosis\r in patients with chronic liver diseases[J]. Lab Med Clin, 2020, 17( 7): 914- 917, 920. DOI: 10.3969/j.issn.1672-9455.2020.07.014.莫慧玲, 卓传尚, 吕旭江, 等. 壳多糖酶3样蛋白1在肝纤维化分期中的诊断价值[J]. 检验医学与临床, 2020, 17( 7): 914- 917, 920. DOI: 10.3969/j.issn.1672-9455.2020.07.014. [13] HE Z, YANG DY, FAN XL, et al. The roles and mechanisms of lncRNAs in liver fibrosis[J]. Int J Mol Sci, 2020, 21( 4): 1482. DOI: 10.3390/ijms21041482. [14] WANG Y, DENG WP, LI RM. Diagnostic value of serum exosomal LncRNA NEAT 1 for liver fibrosis in patients with nonalcoholic fatty liver disease[J]. Chin J Integr Tradit West Med Liver Dis, 2021, 31( 10): 933- 938. DOI: 10.3969/j.issn.1005-0264.2021.10.018.王艳, 邓卫平, 李瑞明. 血清外泌体LncRNA NEAT1在非酒精性脂肪性肝病肝纤维化中的诊断价值[J]. 中西医结合肝病杂志, 2021, 31( 10): 933- 938. DOI: 10.3969/j.issn.1005-0264.2021.10.018. [15] DANIELS SJ, LEEMING DJ, ESLAM M, et al. ADAPT: An algorithm incorporating PRO-C3 accurately identifies patients with NAFLD and advanced fibrosis[J]. Hepatology, 2019, 69( 3): 1075- 1086. DOI: 10.1002/hep.30163. [16] ALKHOURI N, JOHNSON C, ADAMS L, et al. Serum Wisteria floribunda agglutinin-positive Mac-2-binding protein levels predict the presence of fibrotic nonalcoholic steatohepatitis(NASH) and NASH cirrhosis[J]. PLoS One, 2018, 13( 8): e0202226. DOI: 10.1371/journal.pone.0202226. [17] SIDDIQUI MS, VUPPALANCHI R, van NATTA ML, et al. Vibration-controlled transient elastography to assess fibrosis and steatosis in patients with nonalcoholic fatty liver disease[J]. Clin Gastroenterol Hepatol, 2019, 17( 1): 156- 163. e 2. DOI: 10.1016/j.cgh.2018.04.043. [18] TAPPER EB, LOOMBA R. Noninvasive imaging biomarker assessment of liver fibrosis by elastography in NAFLD[J]. Nat Rev Gastroenterol Hepatol, 2018, 15( 5): 274- 282. DOI: 10.1038/nrgastro.2018.10. [19] YIN M, GLASER KJ, TALWALKAR JA, et al. Hepatic MR elastography: Clinical performance in a series of 1377 consecutive examinations[J]. Radiology, 2016, 278( 1): 114- 124. DOI: 10.1148/radiol.2015142141. [20] FIERBINTEANU-BRATICEVICI C, ANDRONESCU D, USVAT R, et al. Acoustic radiation force imaging sonoelastography for noninvasive staging of liver fibrosis[J]. World J Gastroenterol, 2009, 15( 44): 5525- 5532. DOI: 10.3748/wjg.15.5525. [21] GAO F, HUANG JF, ZHENG KI, et al. Development and validation of a novel non-invasive test for diagnosing fibrotic non-alcoholic steatohepatitis in patients with biopsy-proven non-alcoholic fatty liver disease[J]. J Gastroenterol Hepatol, 2020, 35( 10): 1804- 1812. DOI: 10.1111/jgh.15055. [22] RAVAIOLI F, DAJTI E, MANTOVANI A, et al. Diagnostic accuracy of FibroScan-AST(FAST) score for the non-invasive identification of patients with fibrotic non-alcoholic steatohepatitis: A systematic review and meta-analysis[J]. Gut, 2023, 72( 7): 1399- 1409. DOI: 10.1136/gutjnl-2022-328689. [23] NEWSOME PN, SASSO M, DEEKS JJ, et al. FibroScan-AST(FAST) score for the non-invasive identification of patients with non-alcoholic steatohepatitis with significant activity and fibrosis: A prospective derivation and global validation study[J]. Lancet Gastroenterol Hepatol, 2020, 5( 4): 362- 373. DOI: 10.1016/S2468-1253(19)30383-8. [24] van DIJK AM, VALI Y, MAK AL, et al. Systematic review with meta-analyses: Diagnostic accuracy of FibroMeter tests in patients with non-alcoholic fatty liver disease[J]. J Clin Med, 2021, 10( 13): 2910. DOI: 10.3390/jcm10132910. [25] GUHA IN, PARKES J, RODERICK P, et al. Noninvasive markers of fibrosis in nonalcoholic fatty liver disease: Validating the European Liver Fibrosis Panel and exploring simple markers[J]. Hepatology, 2008, 47( 2): 455- 660. DOI: 10.1002/hep.21984. [26] HARRISON SA, RATZIU V, BOURSIER J, et al. A blood-based biomarker panel(NIS4) for non-invasive diagnosis of non-alcoholic steatohepatitis and liver fibrosis: A prospective derivation and global validation study[J]. Lancet Gastroenterol Hepatol, 2020, 5( 11): 970- 985. DOI: 10.1016/S2468-1253(20)30252-1. [27] HARRISON SA, RATZIU V, MAGNANENSI J, et al. NIS2+™, an optimisation of the blood-based biomarker NIS4® technology for the detection of at-risk NASH: A prospective derivation and validation study[J]. J Hepatol, 2023, 79( 3): 758- 767. DOI: 10.1016/j.jhep.2023.04.031. [28] ANGELINI G, PANUNZI S, CASTAGNETO-GISSEY L, et al. Accurate liquid biopsy for the diagnosis of non-alcoholic steatohepatitis and liver fibrosis[J]. Gut, 2023, 72( 2): 392- 403. DOI: 10.1136/gutjnl-2022-327498. [29] CANIVET CM, ZHENG MH, QADRI S, et al. Validation of the blood test MACK-3 for the noninvasive diagnosis of fibrotic nonalcoholic steatohepatitis: An international study with 1924 patients[J]. Clin Gastroenterol Hepatol, 2023, 21( 12): 3097- 3106. e 10. DOI: 10.1016/j.cgh.2023.03.032. [30] TAVAGLIONE F, JAMIALAHMADI O, VINCENTIS AD, et al. Development and validation of a score for fibrotic nonalcoholic steatohepatitis[J]. Clin Gastroenterol Hepatol, 2023, 21( 6): 1523- 1532. e 1. DOI: 10.1016/j.cgh.2022.03.044. [31] YOUNES R, CAVIGLIA GP, GOVAERE O, et al. Long-term outcomes and predictive ability of non-invasive scoring systems in patients with non-alcoholic fatty liver disease[J]. J Hepatol, 2021, 75( 4): 786- 794. DOI: 10.1016/j.jhep.2021.05.008. [32] DECHARATANACHART P, CHAITEERAKIJ R, TIYARATTANACHAI T, et al. Application of artificial intelligence in chronic liver diseases: A systematic review and meta-analysis[J]. BMC Gastroenterol, 2021, 21( 1): 10. DOI: 10.1186/s12876-020-01585-5. [33] DECHARATANACHART P, CHAITEERAKIJ R, TIYARATTANACHAI T, et al. Application of artificial intelligence in non-alcoholic fatty liver disease and liver fibrosis: A systematic review and meta-analysis[J]. Therap Adv Gastroenterol, 2021, 14: 17562848211062807. DOI: 10.1177/17562848211062807. [34] WANG YK, WEI SY, LIU C, et al. A new definition of fatty liver disease: from nonalcoholic fatty liver disease to metabolic associated fatty liver disease[J]. Chin J Dig Surg, 2023, 22( S1): 117- 121. DOI: 10.3760/cma.j.cn115610-20230909-00080.王永康, 魏诗雨, 刘昌, 等. 脂肪性肝病新定义:从非酒精性脂肪性肝病到代谢功能障碍相关脂肪性肝病[J]. 中华消化外科杂志, 2023, 22( S1): 117- 121. DOI: 10.3760/cma.j.cn115610-20230909-00080. [35] QADRI S, AHLHOLM N, LØNSMANN I, et al. Obesity modifies the performance of fibrosis biomarkers in nonalcoholic fatty liver disease[J]. J Clin Endocrinol Metab, 2022, 107( 5): e2008- e2020. DOI: 10.1210/clinem/dgab933. [36] NOUREDDIN M, MENA E, VUPPALANCHI R, et al. Increased accuracy in identifying NAFLD with advanced fibrosis and cirrhosis: Independent validation of the Agile 3+ and 4 scores[J]. Hepatol Commun, 2023, 7( 5): e0055. DOI: 10.1097/HC9.0000000000000055. -
下载:
本文二维码
计量
- 文章访问数: 300
- HTML全文浏览量: 104
- PDF下载量: 44
- 被引次数: 0
