近年来，信息技术发展日新月异，大数据、人工智能、机器学习等新兴技术如雨后春笋般涌现，为肝病诊断领域带来了全新契机。这些技术具备强大的数据处理能力，能够对海量医学数据进行深度挖掘与分析，从中探寻潜在的疾病特征与规律，为肝病的精准诊断和治疗提供坚实支撑。正是在这样的时代背景下，肝病数字活检应运而生。它以数据为核心驱动力，整合多源医学数据，为肝病精准医学的发展开辟了崭新路径。

基于此，肝胆相照平台特别邀请福建医科大学孟超肝胆医院曾永毅教授，围绕“肝病数字活检”的关键技术、数据驱动模式、“数字活检”的独特优势，以及现阶段“肝病数字活检”亟待突破的瓶颈等核心内容展开深入介绍，旨在为临床实践提供有价值的参考依据。

问题一：“肝病数字活检”的关键技术和数据驱动

肝胆相照：

曾教授，您在演讲中提到“肝病数字活检”这一创新概念。能否请您分享一下“肝病数字活检”的关键技术和数据驱动体现在哪些环节？

曾永毅教授：

在肝病数字活检里，核心的技术支撑可以分为四大块：

1. 多源异构数据提取：我们写接口、搭管道，把不同系统、不同格式的原始数据一锅端，把它们都集中到一个数据湖里。

2. 数据整合与清洗：接着把各种术语、字段对齐：比如把“ALT”“GPT”统一叫“丙氨酸氨基转移酶”、把日期格式都规范成“YYYY-MM-DD”，校对一遍时间戳，剔除重复和无效记录。

3. 数据质量监控：给每条数据打上“来源系统”“采集时间”“质量等级”标签，实时监测缺失值、异常值，关键字段一旦漏掉或不对就自动告警，防止后面模型“一本正经的胡说八道”。

4. 标准化和模型映射：最后再把所有干净的数据映射到我们统一的临床数据模型（CDM）里，让不同时间、不同来源的数据都能横向比对、纵向追踪，形成一套可复用、可挖掘的标准化数据资产。

接下来，在这套严谨的技术框架上，数据驱动则主要体现在四个环节：

1. 多尺度特征工程：我们会从影像中提取纹理特征和血流动力学参数，跟踪化验值的动态趋势和波动，甚至对临床文字记录里的关键词频次和情感倾向做深度分析；然后借助主成分分析或自动编码器，将上千维原始特征压缩成“炎症负荷指数”“肿瘤活动度指数”这类核心指标，让复杂数据一眼可用。

2. 多算法并行：在模型训练阶段，同时试验随机森林、XGBoost、卷积神经网络、Transformer 等多种算法，横向比对性能；最终选出分期、风险预警和疗效预测效果最优的方案，确保算法既精准又稳定。

3. 真实世界验证：将模型部署在真实临床场景，通过多年度真实世界数据的时序切片验证和校准曲线评估，检验算法在日常诊疗流程中的鲁棒性和临床效能，保证上线后依旧能可靠运行。

4. 大模型迭代：结合离线批量重训与在线增量学习，定期用历史数据做大范围重训，同时实时吸收新病例进行增量更新；通过 A/B 测试验证每次迭代对临床效果的提升，实现模型的持续升级和自适应。

5. 可解释性报告：每次预测都会生成 SHAP/LIME 可解释性报告，直观标注出关键特征对结果的贡献；同时配合可视化组件，让医生在工作站里“一键”查看决策依据，从而彻底打破 AI “黑盒”疑虑。

通过这五大环节，数字活检才能真正形成从“数据采集—模型训练—临床落地—持续优化—可信解释”的闭环，推动肝病数字活检平滑融入日常诊疗。

问题二：“数字活检”有哪些独特优势？

肝胆相照：

与传统的有创肝活检相比，“数字活检”在肝病的诊断、分期、疗效评估及预后预测方面，有哪些独特优势？特别是对于患者而言，最大的获益是什么？

曾永毅教授：

与传统活检主要依赖病理切片的单一视角不同，数字活检的优势在于能够绘制具有时序性和多维度的关键临床指标，全方位展现患者的病情动态。这些指标不仅包含横断面的检验与影像，还涵盖化验值趋势、病理报告要点和临床文本信息。

在此基础上，我们将人工智能算法与专家经验深度融合，构建了‘临床—算法—反馈’的闭环，不断优化分期、疗效评估与预后预测模型。系统能够实时追踪患者病程，动态监测关键指标的时间序列变化，帮助医生快速回顾既往与现病史，从而大幅提升决策的效率与客观性。

最关键的是，当这套模型下沉到乡镇一级医院时，患者无需长途奔波，也能在本地享受到与大医院专家看诊同等精准的诊疗服务，真正推动优质医疗资源的均衡下沉，实现医疗公平。

问题三：“肝病数字活检”现阶段最亟需突破的瓶颈

肝胆相照：

“肝病数字活检”从实验室走向临床仍面临诸多挑战，您认为现阶段最亟需突破的瓶颈是什么？展望未来，您期待看到哪些关键进展来推动其融入常规临床实践并重塑肝病诊疗生态？

曾永毅教授：

要把肝病数字活检真正从实验室搬到临床，我们需要突破四大瓶颈。

第一是数据安全：跨院、跨设备的数据汇聚，既要保证数据能用，又要保护患者隐私，目前差分隐私、动态加密或联邦学习等技术还没完全成熟，权限控制和审计也不够成熟。

第二是质量控制：不同系统的术语、时间戳和量纲千差万别，自动化清洗、缺失与异常告警机制不够完善，一旦数据漂移就难以快速定位和修复。

第三是模型发展：我们现在的算法大多只做了回顾性验证，缺乏前瞻性临床试验和深入的可解释性，在线迭代也没跟上真实世界需求，个性化调整远远不够。

最后是模型泛化能力：在新医院、新设备甚至不同人群中，模型往往准确度大幅下降，而我们又缺少系统化的域自适应或迁移学习方案。

只有在数据安全、质量控制、模型发展和模型泛化这四个方面同步发力，肝病数字活检才能真正走进各级医院，融入日常诊疗，发挥它应有的价值。

展望未来，肝病数字活检要真正落地，我们需要从五个方面齐头并进：

首先是完善伦理条款与法律法规，针对数据采集、存储、共享和算法应用尽快制定隐私保护和责任认定的配套政策；

其次要形成行业标准与专家共识，由学会和专业委员会统一技术规范、数据模型和临床评价指标，让全国各地都能用同一把尺子；

第三是培养交叉学科人才队伍，通过校企合作、临床轮转和专项培训，造就懂AI又懂医学的复合型专家；

第四要加强模型泛化能力的验证，借助多中心前瞻性试验和真实世界研究，不断优化，自适应和迁移学习策略，确保模型在不同医院、不同设备和不同人群中都能稳定运行；

最后要大力推动可解释性算法研究，把SHAP、LIME等工具深度嵌入医生日常决策流程，让大家不再担心‘黑盒’，真正看得懂、用得上。

只要这五条齐头并进，数字活检才能从实验室走到临床，重塑肝病诊疗新生态。

f

Tags： 肝病数字活检：从实验室到临床，还有多远？