注释AI“黑盒子”是提高临床接管度的环节。以AI辅帮病理诊断为例，从数字切片图像中预测肿瘤取非肿瘤的可注释性包罗三个环节构成部门：通明度（领会神经收集布局和神经元激活模式）、语义（识别触发特定收集响应的图像特征）和注释（特征组合若何影响最终预测成果）。只要做到可注释，才能成立可相信的AI系统。

　　公共数据阐发平台为HCC研究供给了主要支撑，并鞭策了科学发觉的改革。这些平台通过整合、共享和尺度化分歧类型的数据，供给了从数据聚合到高效阐发东西的一体化范式，期中有代表性的公共数据库包罗：UK Biobank涵盖500，000名参取者的全景式数据资本，包罗基因组学、影像学和细致的临床消息。如UKB Cohort Builder，操纵50多个临床筛选器建立精准研究队列。Vivli，专注于临床试验数据的跨机构共享，已毗连跨越200家研究机构的数据资本。通Vivli Anonymization Engine，供给PR（General Data Protection Regulation）合规的数据匿名化办事，简化流程，加快数据共享效率。C（Genomic Data Commons），尺度化存储癌症组学数据，供给C BAM Slicing 手艺，答应研究人员提取特定基因组数据的片段，而无需下载整个大文件，大大缩短数据处置时间。这些平台配合建立了从数据聚合到东西可及性再到生态系统建立的科学发觉新型范式。次要方式包罗监视进修、无监视进修、自监视进修和迁徙进修。监视进修需要标注数据，强依赖标注质量，焦点使命是将输入映照到输出，典型方式包罗分类/回归（CNN， SVM），合用于图像分类和预测模子。无监视进修完全无标签，依赖数据分布，焦点使命是发觉数据模式，典型方式包罗聚类/降维（K-means， PCA），合用于分类和非常检测。自监视进修通过从动生成伪标签建立预测使命学表征，合用于预锻炼模子和表征进修。迁徙进修则操纵源范畴和方针范畴数据实现学问跨范畴迁徙，合用于小样本进修和跨范畴顺应。

　　现代HCC预测模子依赖于度数据的整合使用，包罗静态数据取动态数据的无机连系。临床和病理数据形成根本层，涵盖患者生齿统计、尝试室成果和已确立的生物标记物（如AFP、PIVKA-II）等。炎症和纤维化评分供给疾病历程消息。放射影像取放射组学数据则可提取肿瘤特征：包罗形态特征、加强模式、功能参数、血管和转移迹象等定量放射组学特征。数据层面包含单层消息（如基因、卵白质、代谢物），沉点特定机制；而多组学数据则整合来自多个层的消息（如基因组学、卵白组学、代谢组学），着眼于解析复杂系统和多要素彼此感化。

　　然而，保守预测模子建立方式存正在较着局限性：依赖于静态数据，即单次检测数值，难以反映患者病情的及时变化；保守模子，如Cox比例风险回归模子（Cox Proportional Hazards Model）基于比例风险假设（即预测变量对风险影响恒定）和对数线性关系假设，无法捕获变量的动态变化趋向及复杂变量间的非线]，从而了模子的预测精度和临床使用价值。此外，因为肿瘤异质性问题，目前大大都风险预测模子难以合用于所有病因。

　　基于AI的HCC风险预测模子研究方要点能够归纳综合为以下三个焦点方面：融合度数据和先辈的AI方式改革预测模子；通过大规模前瞻性研究，对AI算法进行实正在世界数据验证，确保靠得住性和合用性；遵照国际尺度化演讲指南，全面且通明地演讲AI研究，确保AI研究的通明性和可反复性。跟着AI手艺前进和跨学科合做深切，智能化、个别化的HCC风险预测模子将无望为肝癌防治带来新的冲破。

　　现有涉及到病因性的HCC风险评分系统，如Toronto HCC risk Index和ADRESS-HCC[2-4]等，虽然有所冲破，但仍存正在必然的局限性。例如，这些模子计较复杂，同时未能将所有HCC病因全面纳入评估，对于乙型肝炎（HBV）和丙型肝炎（HCV）相关HCC风险的精细区分也显不脚。缺乏对分歧病因惹起的HCC以及特征的分层预测进一步了这些模子的临床适用性。最初，缺乏跨地域、跨人群的数据验证和系统性评估，模子之间的头仇家比力较少，进一步障碍了其正在临床中的普及和推广[5]。

　　编者按：肝细胞癌（HCC）是全球范畴内发病率和灭亡率均较高的恶性肿瘤，特别正在亚洲和非洲部门地域承担沉沉。跟着医疗数据的爆炸式增加和人工智能（AI）手艺的快速成长，HCC风险预测模子正派历着从保守静态方式向动态智能化标的目的的性改变。正在近期举行的第四届肝病立异论坛上，首都医科大学从属友情病院孔媛媛传授正在从题演讲中，系统梳理了当前HCC预测范畴的临床需求、手艺挑和及前沿进展，出格关心了数据整合取AI方式的使用前景。

　　数据质量节制是整合过程的焦点挑和，次要方针是确保数据的精确性、完整性、分歧性和可托性。次要问题正在于若何整合多组学数据和尺度化跨核心数据。的处理方案包罗利用从动化验证东西识别错误、成立多组学和临床数据的同一尺度、按期审查并处理数据不分歧问题。具体办法包罗开辟跨核心数据整合平台、非常值检测标识表记标帜异据、利用数据清洗和转换东西处置不分歧数据、尺度化数据采集流程，以及成立数据管理办法确保质量。环节办法正在于制定同一的数据采集尺度、尺度化测序平台和组学数据的阐发方式，并利用元数据文档数据收集过程。

　　肝病模子研究中AI方式的影响力阐发[7]显示，可注释模子如随机丛林和线性模子仍占从导地位，具有利用率高但影响力低的特点；深度进修则正在处置多模态数据（组织病理学+组学）方面使用日益普遍。HCC/ACLF模子正在大型数据集上表示出高精确率，但大大都研究仍将特征提取取建模过程分隔。深度进修正在处置复杂高维数据方面展示出较着劣势。

　　HCC的风行病学正在全球范畴内展现出显著的区域差同性，出格是正在东亚、和非洲地域，其发病率、病因及防控特点均存正在较着分歧。最新统计模子预测，将来HCC发病率正在全球范畴内仍将呈现上升趋向，这一趋向对晚期预测和精准干涉提出了更高的需乞降挑和。PLT、ALB、ALT、AST、Tbil）、CT/MRI）以及瞬时弹性成像手艺等。基于以上手艺确定的目标成立预测疾病进展和风险分层模子。

　　提高HCC预测能力需要降服多沉挑和。抱负的HCC预测模子应具备四项环节能力：1。及时动态更新能力，应可以或许按照患者生物标记物的动态变化进行及时更新，反映疾病的进展或干涉的结果；2。 个性化风险分层能力，整合数据源，包罗患者的临床消息、尝试室检测、影像学数据、基因组消息及糊口习惯等，精准捕获分歧患者的特征，实现个性化风险分层和预测优化；3。 多源数据整合能力，建立遵照共享和谈的模子框架，可以或许整合来自分歧医疗核心和研究机构的多源异构数据，提高模子的普适性和合用性；4。 跨核心验证取泛化能力，通过正在分歧、地域和人群中进行跨核心和多样化的数据验证，不竭优化模子机能，确保其正在各类现实场景中的泛化能力。

　　目前用于HCC预测的机械进修研究呈现出特定特点。研究显示，正在数据方面，研究利用临床、影像、病理、基因数据集，样本量从36到124 006不等；算法选择上，CNN/DL常用于影像阐发，而SVM/SF/XGBoost则更多使用于临床基因组数据；验证方面，仅30%的研究进行外部验证；机能表示上，AUC值介于0。70-0。99之间，此中影像研究的AUC最高，且具有靠得住的活络度和度[6]。