人工智能在脂肪性肝病诊治的研究进展2026.pptx

人工智能在脂肪性肝病诊治的研究进展

目录

CONTENTS

AI辅助脂肪肝的精准诊断

AI指导脂肪肝风险评估与个体化干预

总结与展望

研究方法与技术

AI辅助脂肪肝的精准诊断

AI技术通过图像特征提取和自动识别，提升超声检查的准确性和效率。

AI在超声诊断中的应用

利用AI进行肝脏脂肪含量的定量评估，显著提高CT影像的诊断准确性和效率。

AI在CT影像分析中的进展

AI优化了MRI扫描流程，提高了质子密度脂肪分数的测量精度，推动常规影像数据的二次开发。

AI在MRI及其衍生技术中的应用

影像学检查与AI结合

01

02

03

通过将组织切片数字化，为AI介入病理分析提供了技术基础。

数字病理与AI的结合

AI模型可自动评估脂肪变性、炎症、气球样变和纤维化等关键组织特征，提升病理评估的客观性与一致性。

AI在病理量化中的优势

多款DP/AI工具已进入临床转化阶段，如AIM-NASH获得欧洲药品管理局认证，用于MASH诊断。

DP/AI工具的临床应用

病理学诊断中的AI应用

01

02

03

通过多模态堆叠式机器学习模型整合遗传与临床变量，显著提升MAFLD的诊断准确性。

机器学习识别出9个“泛凋亡”相关关键基因，构建了高效的MAFLD诊断模型。

基于粪便16SrDNA测序数据筛选关键菌属，建立随机森林算法诊断模型，表现出优秀性能。

遗传组学在MAFLD诊断中的应用

转录组学研究揭示的关键基因

微生物组学在脂肪肝诊断中的表现

多组学数据分析

AI指导脂肪肝风险评估与个体化干预

临床指标的聚类分析

多组学数据的整合分析

AI模型在风险评估中的应用

通过无监督聚类方法将MAFLD患者分为不同亚型，揭示各亚型的预后风险差异。

利用全基因组测序、转录组等多组学数据，划分MAFLD分子亚型，预测疾病进展和结局。

结合NITs结果建立的AI模型，有效预测MAFLD患者的失代偿、纤维化进展等不良结局。

临床分型中的应用

01

03

02

预测MAFLD进展为肝硬化的风险

评估MAFLD相关肝癌风险

预测MAFLD患者的死亡及多系统事件风险

通过整合多维数据，AI模型在早期识别高危人群方面显示出显著优势。

Sarkar等利用9种算法筛选优化后建立的梯度提升模型（XGBoost），在预测MAFLD患者发生肝癌的准确率高达92.1%。

代谢组学研究显示，基于血浆代谢物特征构建的死亡风险评分对MAFLD相关死亡风险的预测能力（AUROC为0.88）明显优于FIB-4（0.81）和MAFLD纤维化评分（0.79）。

预测不良结局的能力

01

02

03

数字化随访与治疗优化

通过移动互联网和AI技术，为患者提供个性化干预和远程指导。

AI驱动的数字疗法

数字疗法实现远程医疗管理与动态健康监测，提升患者参与度和满意度。

提高患者依从性和疗效

构建虚拟个体模型，整合生理参数、行为模式与环境信息，实现实时风险预测与干预。

AI辅助的精准营养干预

总结与展望

01

02

03

面临的挑战

不同来源的数据在质量、检测方法和解读标准上缺乏统一，易导致算法偏倚。

数据质量与标准化

模型算法缺乏透明度，导致临床信任难以建立，进而影响AI在关键决策环节中的应用。

技术透明度与临床信任

缺少多中心、大样本的外部验证，使模型在真实临床场景下的稳健性仍存疑虑，也降低了其在循证医学中的证据等级。

外部验证与证据等级

01

02

03

未来发展方向

融合影像、病理及多组学数据，提升模型适应性与稳定性。

增强AI算法透明度，建立统一评估体系，提高临床接受度。

积累高质量外部验证证据，提升模型跨人群和环境的适应性与推广性。

构建多模态AI平台

提升模型可解释性

加强真实世界研究

多模态AI平台构建

统一评估体系建立

真实世界研究与外部验证

通过整合多种数据源，如影像、病理及多组学数据，提升模型在不同数据条件下的适应性与稳定性。

建立统一、规范的评估体系，提高模型的可解释性和临床接受度，确保AI在关键决策环节中的应用。

加强真实世界研究与多中心协作，积累高质量外部验证证据，以提升模型跨人群和跨环境的适应性与可推广性。

实现精准治疗的路径

研究方法与技术

机器学习算法的应用

超声图像分析的机器学习应用

CT影像组学模型的应用

病理学中的数字病理与AI结合

通过卷积神经网络（CNN）和监督学习模型提高脂肪肝诊断的准确性。

使用随机森林算法构建CT影像组学模型，显著提升重度脂肪肝的诊断效能。

数字病理技术与AI结合，实现脂肪变性、炎症等关键组织特征的自动识别与量化。

多模态数据集成

AI驱动的数据处理

跨平台适应性

整合影像学、病理学及多组学数据，提升脂肪肝诊断与风险评估的准确性。

利用机器学习和深度学习技术，从多模态数据中提取定量特征，优化诊断流程。

开