張清華， 李海濤， 方國旭， 郭鵬飛， 劉景豐，3

1 福建醫(yī)科大學(xué) 研究生院， 福州350108； 2 福建醫(yī)科大學(xué)孟超肝膽醫(yī)院 a. 肝膽胰外科，b. 東南肝膽健康大數(shù)據(jù)研究所， 福州 350025； 3 福建省腫瘤醫(yī)院 肝膽胰腫瘤外科， 福州 350014

原發(fā)性肝癌(簡稱肝癌)的發(fā)病率和病死率均居所有腫瘤的前5位[1]，是男性癌癥相關(guān)死亡的第2大原因，女性癌癥死亡的第6大原因[2]，2015年中國統(tǒng)計數(shù)字顯示，肝癌是國內(nèi)第4位惡性腫瘤，腫瘤致死病因則位于第3位[3]。大數(shù)據(jù)時代，隨著人工智能的快速發(fā)展，各種數(shù)學(xué)算法也在肝癌的海量數(shù)據(jù)中得到廣泛應(yīng)用，數(shù)據(jù)挖掘和云計算等不斷層出的分析技術(shù)，為肝癌的診療分析提供了更加便利的方法，涉及到肝癌病因、基因組學(xué)、代謝組學(xué)、影像組學(xué)、蛋白組學(xué)、病理學(xué)、復(fù)發(fā)預(yù)測及生存風(fēng)險分析等各個方面的機器學(xué)習(xí)方法的研究[4-6]。

機器學(xué)習(xí)是一種實現(xiàn)人工智能的方法，機器學(xué)習(xí)最基本的做法，是使用算法來解析數(shù)據(jù)、從中學(xué)習(xí)，然后對真實世界中的事件做出決策和預(yù)測，具有機器模仿、識別和學(xué)習(xí)人類大腦認(rèn)知功能的作用，隨著人工智能的發(fā)展也日漸受到關(guān)注[7]。機器學(xué)習(xí)是用大量的數(shù)據(jù)來“訓(xùn)練”，通過各種算法從數(shù)據(jù)中學(xué)習(xí)如何完成任務(wù)，其主要內(nèi)容就是各種學(xué)習(xí)算法。深度學(xué)習(xí)涵蓋于機器學(xué)習(xí)算法，是目前最熱的機器學(xué)習(xí)算法，能基于大量積累的醫(yī)療數(shù)據(jù)產(chǎn)生計算模型，通過訓(xùn)練，在面對新的患者時，會提供相應(yīng)的判斷(譬如肝癌可能發(fā)生的風(fēng)險、再復(fù)發(fā)的風(fēng)險以及生存風(fēng)險等)。對于癌癥，與傳統(tǒng)的方法相比，初期的機器學(xué)習(xí)即具有圖像識別和特征選擇的優(yōu)勢[8-9]。而近年來，深度學(xué)習(xí)算法被開發(fā)用于檢測乳腺癌女性前哨淋巴結(jié)的轉(zhuǎn)移，并表現(xiàn)出比病理學(xué)家更好的診斷性能[10]。在肝癌的診斷與復(fù)發(fā)領(lǐng)域，利用大數(shù)據(jù)平臺，相對于傳統(tǒng)的邏輯回歸或Cox回歸，深度學(xué)習(xí)模型表現(xiàn)出更好的診斷與預(yù)測性能。傳統(tǒng)機器學(xué)習(xí)的算法包括決策樹、聚類、貝葉斯分類、支持向量機、EM、Adaboost等，而機器學(xué)習(xí)的算法可以分為監(jiān)督學(xué)習(xí)(如分類問題)、無監(jiān)督學(xué)習(xí)(如聚類問題)、半監(jiān)督學(xué)習(xí)、集成學(xué)習(xí)、深度學(xué)習(xí)和強化學(xué)習(xí)，其中主要包括監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)3種[11]，如監(jiān)督學(xué)習(xí)代表有：隨機森林(RF)、梯度增強機(GBM)、支持向量機(SVM)、決策樹、k近鄰(k-nearest neighbors, KNN)、人工神經(jīng)網(wǎng)絡(luò)(ANN)等；半監(jiān)督方法代表有：最大期望、生成模型和圖算法、主成分分析等。無監(jiān)督學(xué)習(xí)方法代表有：先驗算法(Apriori)、分叉樹、K-均值(K-means)以及目前比較火的深度學(xué)習(xí)[12]。目前，深度學(xué)習(xí)廣泛應(yīng)用于醫(yī)學(xué)預(yù)測模型，而深度學(xué)習(xí)其本身也會用到有監(jiān)督和無監(jiān)督的學(xué)習(xí)方法來訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)。本文將深度學(xué)習(xí)在肝癌診斷、復(fù)發(fā)中應(yīng)用進(jìn)展介紹如下。

1 構(gòu)建模型預(yù)測肝癌發(fā)生風(fēng)險應(yīng)用

1.1 構(gòu)建血清蛋白質(zhì)組學(xué)模型協(xié)助早期診斷 血清AFP是目前肝癌診斷隨訪復(fù)發(fā)的一種重要檢查方法,仍然被認(rèn)為是血清腫瘤標(biāo)志物中的金標(biāo)準(zhǔn)[13]。早在2001年,Poon等[14]通過深度學(xué)習(xí)算法計算出了AFP cut-off值，從而首次構(gòu)建了血清AFP肝癌診斷模型。Camaggi等[15]在2010年篩選了45例HCV相關(guān)肝硬化、早期肝癌及晚期肝癌病例，通過深度學(xué)習(xí)對522 份血清樣本進(jìn)行訓(xùn)練得到多種蛋白質(zhì)組學(xué)特征，其所建模型對其中43個可能區(qū)分伴或不伴肝硬化、伴或不伴血管浸潤的肝癌病例進(jìn)行了正確分類。2011年P(guān)atterson等[16]也通過深度學(xué)習(xí)，對血清中甘氨酸脫氧膽酸鹽、脫氧膽酸 3-硫酸鹽、膽紅素水平、溶血磷脂水平進(jìn)行例模型訓(xùn)練，構(gòu)建了的肝癌發(fā)生的血清學(xué)預(yù)測模型。2014年Wang等[17]應(yīng)用同樣的方法建立了HBV相關(guān)肝硬化進(jìn)展的早期肝癌進(jìn)行診斷的預(yù)測模型，主要通過血清肽和 AFP 聯(lián)合檢測數(shù)據(jù)訓(xùn)練完成。Estevez等[18]2017年應(yīng)用隨機森林訓(xùn)練模型建模，檢測了411例HBV及HCV感染的肝細(xì)胞癌(HCC)病例的血清細(xì)胞譜，該模型從深度學(xué)習(xí)算法角度說明了有或無HCC的 HBV 或 HCV感染者，其體內(nèi)細(xì)胞因子分泌明顯不同，疾病發(fā)病機制和疾病特征存在潛在差異。這些文獻(xiàn)的報道，使血清學(xué)指標(biāo)的檢測及學(xué)習(xí)訓(xùn)練對各種情況下肝癌的協(xié)助診斷提供了很大的幫助。

1.2 構(gòu)建模型優(yōu)化影像學(xué)診斷 肝癌通常通過肝活檢或增強計算機斷層掃描(CT)和磁共振成像技術(shù)進(jìn)行診斷[19]，近年來深度學(xué)習(xí)算法和模型也大量應(yīng)用于基于癌癥圖像的診斷、預(yù)后和預(yù)測[20-21]。卷積神經(jīng)網(wǎng)絡(luò) (convolutional neural network, CNN) 允許在識別肝臟腫塊和識別病理病變的特定特征時解釋HCC圖像[22]，伴隨著計算機計算能力的猛進(jìn)發(fā)展，深度學(xué)習(xí)的模型算法也逐步深入，而肝癌影像診斷所涉及的深層神經(jīng)網(wǎng)絡(luò)的研究陸續(xù)增加，包括多層神經(jīng)網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)、CNN等多種算法的應(yīng)用。2017年，Pang等[23]報告了一種凹凸變優(yōu)化稀疏貢獻(xiàn)特征選擇和分類器的深度學(xué)習(xí)用以提高肝癌圖像識別，在凹凸變分(CCV) 方法來優(yōu)化的3種分類器(隨機森林分類器、支持向量機分類器和極限學(xué)習(xí)機分類器)中，CCV-隨機森林分類器更能準(zhǔn)確的識別肝癌圖像。但是作為一種“不可解釋的”深度學(xué)習(xí)模型，其存在著“黑盒子”效應(yīng)。2019年，Wang等[24-25]在其報道的肝腫瘤診斷的深度學(xué)習(xí)系列研究中，初次提出一種概念驗證的“可解釋的”深度學(xué)習(xí)模型，即利用放射成像特征的CNN，識別測試病灶中正確的影像特征。這種“可解釋的”深度學(xué)習(xí)模型可與標(biāo)準(zhǔn)化報告系統(tǒng)(如LI-RADS)對接，添加了定量數(shù)據(jù)又利用了影像的相關(guān)輔助特征，從而提高了臨床實用性，其陽性預(yù)測值和靈敏度也分別達(dá)到了76.5%和82.9%。此外，在多相核磁圖像上，基于概念驗證CNN的深度學(xué)習(xí)系統(tǒng)(DLS)對常見肝臟病變進(jìn)行分類的研究中，通過與高年資醫(yī)師的測試比較，肝癌分類深度學(xué)習(xí)系統(tǒng)測試出更高的準(zhǔn)確度、敏感度和特異度。2020年Shi等[26]報道了密集卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法可優(yōu)化增強CT對肝臟腫瘤的診斷，又進(jìn)一步豐富了影像組織性的深度學(xué)習(xí)內(nèi)容。

1.3 構(gòu)建模型優(yōu)化病理學(xué)檢查 2010年，Cucchetti等[27]應(yīng)用人工神經(jīng)網(wǎng)絡(luò)術(shù)前預(yù)測HCC腫瘤分級及微血管侵犯，通過收集250例有肝硬化的HCC患者的臨床、影像學(xué)和組織學(xué)資料，隨機選取175例患者建立人工神經(jīng)網(wǎng)絡(luò)和邏輯回歸模型，對其余75例患者進(jìn)行測試。其中術(shù)前血清AFP、腫瘤數(shù)量、大小和體積與腫瘤分級和MVI相關(guān)(P<0.05)，用于構(gòu)建ANN。在訓(xùn)練組，用于腫瘤分級和MVI預(yù)測的受試者工作特征曲線下面積(AUC)分別為0.94和0.92，均高于邏輯回歸模型(均為0.85)(P<0.001)。在測試組中，人工神經(jīng)網(wǎng)絡(luò)正確識別了93.3%的腫瘤分級(k=0.81)和91% 的MVI (k=0.73)。邏輯回歸模型正確識別了81%的腫瘤分級(k=0.55)和85%的MVI (k=0.57)。因此，與傳統(tǒng)線性模型相比，人工神經(jīng)網(wǎng)絡(luò)更準(zhǔn)確地預(yù)測肝癌腫瘤分級和MVI，可應(yīng)用于優(yōu)化病理學(xué)檢查。2017年Li等[28]通過病理學(xué)專家的指導(dǎo)對病理切片感興趣區(qū)做相應(yīng)標(biāo)記來識別肝癌細(xì)胞的細(xì)胞核，所構(gòu)建的多重連接的CNN模型在細(xì)胞核分級方面體現(xiàn)了一定優(yōu)越性。Pang等[23]2017年同樣在病理學(xué)專家的指導(dǎo)下獲得每個肝癌患者的HE染色的病理圖像，構(gòu)建了一種CCV方法，其中CCV-隨機森林算法與其他算法相比較準(zhǔn)確率達(dá)到98.74%，對肝癌的病理圖像分類最為準(zhǔn)確。2020年，Liao等[29]建立了基于深度學(xué)習(xí)的深度卷積神經(jīng)網(wǎng)絡(luò)模型，可明確區(qū)分肝癌腫瘤和鄰近正常組織，實現(xiàn)了HCC的自動診斷和體細(xì)胞突變預(yù)測，也逐漸深化了病理學(xué)的深度學(xué)習(xí)研究。

1.4 構(gòu)建代謝組學(xué)模型協(xié)助診斷 2016年Liang等[30]使用由LC-QTOF-MS結(jié)合多變量數(shù)據(jù)分析方法對HCC患者的尿液進(jìn)行代謝分析，在人尿代謝組中所發(fā)現(xiàn)的15 種不同代謝物中，5種標(biāo)志代謝物可有效診斷HCC，所建立的預(yù)測模型預(yù)測敏感度為 96.5%，特異度為83%。Wang等[31]2018年基于隨機森林建立了兩種新的模型：固定序列模型和兩步模型，結(jié)合肝癌和非肝癌患者尿液中提取多個尿DNA生物標(biāo)志物評估模型的敏感度、特異度、AUC和變異性，認(rèn)為多個尿生物標(biāo)志物的評估模型有一定潛力進(jìn)行自我訓(xùn)練并完成HCC患者的云篩選。

1.5 構(gòu)建基因組學(xué)模型協(xié)助早期診斷 2014年Ibrahim等[32]基于深度學(xué)習(xí)和主動學(xué)習(xí)，進(jìn)行特征性選擇的思想在生物信息領(lǐng)域的模型構(gòu)建，通過考慮miRNA和基因之間的生物關(guān)系，擴展使用了該技術(shù)的miRNA，集成了兩種無監(jiān)督機器學(xué)習(xí)方法，選擇最少的最有鑒別力的基因，提高了肝癌樣本分類的準(zhǔn)確性，所提出的特征性選擇方法優(yōu)于經(jīng)典的功能選擇算法。2015年Gui等[33]構(gòu)建了一個源自STRING數(shù)據(jù)庫中蛋白質(zhì)-蛋白質(zhì)相互作用(PPI)數(shù)據(jù)的分子相互作用網(wǎng)絡(luò)，并確定187個基因之間的最短路徑與機器學(xué)習(xí)方法確定的基因，且找到了117個基因探針，可以最優(yōu)的分離腫瘤和非腫瘤樣本。為理解HCC的發(fā)展過程提供了新的視角。

隨著基因測序技術(shù)的發(fā)展，大量的基因測序數(shù)據(jù)隨著復(fù)雜的深度學(xué)習(xí)技術(shù)的提高處理能力也得到提升。2018年Augello等[34]報道，在預(yù)測HCC的生物標(biāo)志物與HCV相關(guān)肝硬化患者風(fēng)險的研究中，使用機器學(xué)習(xí)分類器發(fā)現(xiàn)MICA的基因位點rs2596542和rs2596538變異體值得進(jìn)一步研究，其與HCV相關(guān)肝癌關(guān)系密切。在一項從肝移植受者的移植肝臟中獲得的59個組織樣本的研究中，Kim等[35]制作了cDNA微陣列，每個樣本中有超過9000個基因。通過使用KNN和支持向量機方法，在肝硬化有發(fā)生肝癌風(fēng)險的高?；颊咧凶R別出30個顯著改變基因的分子標(biāo)記。這些基因可以作為診斷高危人群早期肝癌的候選標(biāo)記，并可能指導(dǎo)新的化學(xué)預(yù)防策略。2020年Shen等[36]利用數(shù)據(jù)庫和機器學(xué)習(xí)方法，構(gòu)建并驗證了HCC患者復(fù)發(fā)的預(yù)測模型，獲得了預(yù)測肝癌早期復(fù)發(fā)的基因信號，并驗證了突變的基因，準(zhǔn)確度為74.19%，而模型的驗證成功率達(dá)到80%，為臨床預(yù)測肝癌復(fù)發(fā)提供了有意義的指導(dǎo)。

2 構(gòu)建模型預(yù)測肝癌術(shù)后復(fù)發(fā)與生存風(fēng)險應(yīng)用

肝癌術(shù)后復(fù)發(fā)風(fēng)險、生存預(yù)測等關(guān)系著患者術(shù)后及后期的生命健康，通過機器深度學(xué)習(xí)的相關(guān)研究為臨床患者的治療提供了很多指導(dǎo)，所構(gòu)建的預(yù)測模型在臨床中也得到初步應(yīng)用。2012年Ho等[37]報道基于HCC數(shù)據(jù)庫，對接受肝切除患者術(shù)后1、3、5年的無病生存率建模預(yù)測，分別使用ANN、邏輯回歸(LR)及決策樹 3 種算法構(gòu)建了模型，結(jié)果人工神經(jīng)網(wǎng)絡(luò)模型(ANNS)的精確度更高，表明在醫(yī)療決策系統(tǒng)中使用ANNS對肝切除術(shù)后患者預(yù)測較為理想。2012年Shi等[38]報告了目前最大樣本量的模型評估研究，共納入22 926例接受過肝切除術(shù)的HCC患者，通過傳統(tǒng)的邏輯回歸模型和人工神經(jīng)網(wǎng)絡(luò)模型比較分析，ANNS在預(yù)測住院病死率方面更準(zhǔn)確(準(zhǔn)確度97.28%)，更具有綜合評價的意義。2014年Qiao等[39]使用ANN、LR建立早期HCC根治切除手術(shù)的患者術(shù)后生存預(yù)測模型，發(fā)現(xiàn)ANNS比其他模型AUC更高。機器學(xué)習(xí)在處理含有缺失值的數(shù)據(jù)集時具有較大的靈活性。2020年Huang等[40]對7919例肝癌患者臨床病理資料進(jìn)行分析報告，在使用Cox回歸、深度學(xué)習(xí)、隨機生存森林、極度梯度等算法構(gòu)建肝癌根治性切除術(shù)后復(fù)發(fā)預(yù)測模型發(fā)現(xiàn)，XGBoost的精確度最高。以上研究結(jié)果證明ANN等機器深度學(xué)習(xí)在肝癌患者預(yù)后預(yù)測模型中具有良好的前景，在醫(yī)療決策支持系統(tǒng)中應(yīng)用的可行性。

Tseng等[41]2015年為了提高利用多個測量值預(yù)測臨床結(jié)局的準(zhǔn)確性，提出了一種新的多時間序列數(shù)據(jù)處理算法，收集了83例肝癌患者的臨床資料，采用徑向基函數(shù)核的多測量支持向量機作為肝癌復(fù)發(fā)多元測量隨機森林回歸的模型。結(jié)果提示該算法能顯著提高HCC復(fù)發(fā)預(yù)報性能，且多次測量比單次測量更有價值。2017年Qiu等[42]通過使用機器學(xué)習(xí)中Lasso 算法及SVM-RFE算法，針對早期576 例肝癌患者的基因CpG甲基化水平檢測所得到的數(shù)據(jù)建模分析，從甲基化的角度建立了預(yù)測早期肝癌復(fù)發(fā)風(fēng)險的模型。Xu等[43]2017年也對血清中循環(huán)腫瘤DNA甲基化水平進(jìn)行檢測，共檢測1098例肝癌患者和835例正常人，數(shù)據(jù)使用Lasso 算法及隨機森林算法篩選，共選出10個標(biāo)志物建立了肝癌診斷模型；并使用機器學(xué)習(xí)中 Lasso-Cox 算法篩選出8個標(biāo)志物構(gòu)建預(yù)測肝癌預(yù)后風(fēng)險模型。由此可見術(shù)后復(fù)發(fā)與生存風(fēng)險模型的建立通過深度學(xué)習(xí)的方法也可達(dá)到一定臨床指導(dǎo)效果。

3 構(gòu)建模型預(yù)測射頻消融(radiofrequency ablation，RFA)、經(jīng)導(dǎo)管肝動脈化療栓塞術(shù)(TACE)生存風(fēng)險應(yīng)用

RFA、TACE是肝癌患者不可或缺的重要輔助治療手段，主要針對無法耐受手術(shù)切除和不能手術(shù)切除的肝癌人群。2014年Liang等[44]報告了83例接受RFA治療的HCC患者，共采用了5種特征選擇方法，包括遺傳算法(GA)、模擬退火算法(SA)、隨機森林算法(RF)及混合算法(GA+RF和SA+RF)，從總共16個臨床特征中選擇一個重要的特征子集，這些方法與SVM開發(fā)具有更好的性能預(yù)測模型相結(jié)合，最終結(jié)論提示SVM的預(yù)測模型可以提示高風(fēng)險復(fù)發(fā)患者。2020年Brehar等[45]文獻(xiàn)報告納入RFA和放療患者214例和205例，通過放射組學(xué)特征和重要臨床變量建立RFA和放療的列線圖，評估愈后，結(jié)論提示深度學(xué)習(xí)建立的放射組學(xué)模型和列線圖實現(xiàn)了對RFA與放療的無進(jìn)展生存期的準(zhǔn)確預(yù)測，可以促進(jìn)二者之間的優(yōu)化治療選擇。預(yù)測肝癌接受肝動脈化療栓塞治療反應(yīng)由Abajian等[46]2018年報告，研究包括36例HCC患者，使用磁共振成像和臨床患者數(shù)據(jù)，創(chuàng)建一個人工智能(AI)框架，通過應(yīng)用機器學(xué)習(xí)技術(shù)預(yù)測接受TACE治療患者的愈后。用臨床資料、基線影像和治療特征訓(xùn)練LR和RF，結(jié)果顯示，結(jié)合患者臨床資料和磁共振圖像數(shù)據(jù)，應(yīng)用機器學(xué)習(xí)算法可以在術(shù)前預(yù)測肝癌患者TACE的結(jié)果。2020年P(guān)eng等[47]收集了國內(nèi)多中心共789例中期肝癌患者，建立一個轉(zhuǎn)換學(xué)習(xí)技術(shù)的殘差CNN預(yù)測模型，預(yù)測TACE治療的效果，可以更好的幫助臨床醫(yī)生篩選哪些患有HCC的患者更能夠從介入治療中獲益。

4 其他

近年來，深度學(xué)習(xí)不僅在基于圖像的癌癥檢測和治療預(yù)測方面，而且在多組學(xué)數(shù)據(jù)的集成方面也取得了一些進(jìn)展。Chaudhary等[48]報道使用RNA(RNA-Seq)測序、miRNA(miRNA-Seq)甲基化數(shù)據(jù)和TCGA的甲基化數(shù)據(jù)構(gòu)建360例HCC患者的生存敏感模型，該模型可將患者分為兩種因生存率而有顯著差異的最佳亞型。Nam等[49]用基于傳統(tǒng)回歸方法的DL算法，構(gòu)建了563例患者肝移植后HCC復(fù)發(fā)的預(yù)測模型。這項多中心研究表明，腫瘤直徑、年齡、AFP水平和維生素K缺失或拮抗劑Ⅱ(PIVKA-Ⅱ)是基于AI的肝移植后復(fù)發(fā)模型(MoRAL-AI)的最大加權(quán)參數(shù)。

人體和腫瘤的生物多樣性決定著任何深度學(xué)習(xí)的模型并不能適用所有的患者。AI在肝癌的診療領(lǐng)域也一直在研發(fā)，幫助臨床醫(yī)師的智能輔助決策系統(tǒng)。Singal等[50]開發(fā)機器學(xué)習(xí)模型，并與傳統(tǒng)預(yù)測模型進(jìn)行比較；其中基于決策樹的隨機森林模型(C-statistic 為0.71)比常規(guī)回歸模型(C-statistic為 0.64)的效果更好。然后在另一隊列(1050例HCV相關(guān)HCC患者)中驗證，機器學(xué)習(xí)模型(敏感度為80.7%、特異度為46.8%)比傳統(tǒng)模型(敏感度70.7%、特異度41.6%)的結(jié)果也更優(yōu)。Divya等[51]2019年在對HCC射頻術(shù)后復(fù)發(fā)與否的算法研究中，提出一種有效的抽樣方法，使用逆隨機抽樣，以克服類不平衡問題。同時也提出了一種優(yōu)化方法，使用人工植物優(yōu)化算法(APO)來選擇最有特征和參數(shù)分類，以提高分類的有效性和效率。利用SVM和RF分類器，基于最優(yōu)特征和參數(shù)對肝癌患者和非肝癌患者進(jìn)行分類。Giordano等[52]報道探針電噴霧電離質(zhì)譜與AI相結(jié)合,用來評估SVM和RF兩種算法的整體診斷準(zhǔn)確度。該方法在肝癌診斷上具有較高的準(zhǔn)確度、特異度和敏感度。這兩種算法的總體診斷準(zhǔn)確度均超過94%。該研究的主要限制是所有樣本來自同一臨床中心，可能會限制機器學(xué)習(xí)的能力，不過即便如此，他所提出的方法也可以被轉(zhuǎn)化到外科腫瘤的臨床實踐中并得到廣泛應(yīng)用，最終可能體改腫瘤患者治愈的終極目標(biāo)。

5 小結(jié)及展望

在醫(yī)療保健和信息技術(shù)不斷更新的時代中，越來越多利用數(shù)據(jù)科學(xué)和技術(shù)使醫(yī)療保健個性化，并增強與患者的交互。AI伴隨著計算機科學(xué)技術(shù)的飛速發(fā)展，深度學(xué)習(xí)技術(shù)同樣會不斷深入發(fā)展，深度學(xué)習(xí)所構(gòu)建的各種模型在肝癌研究領(lǐng)域的應(yīng)用也會更加深入。未來，深度學(xué)習(xí)這些研究領(lǐng)域應(yīng)該涉及多個中心的合作，應(yīng)該包括更大樣本量的肝癌患者，這樣才能使AI、機器學(xué)習(xí)、深度學(xué)習(xí)在肝癌的診療中發(fā)揮更大的作用。

利益沖突聲明：所有作者均聲明不存在利益沖突。

作者貢獻(xiàn)聲明：張清華起草并撰寫文章主要內(nèi)容；李海濤負(fù)責(zé)主要內(nèi)容修改并完善文章內(nèi)容；方國旭負(fù)責(zé)協(xié)助查閱文獻(xiàn)并提出修改意見；郭鵬飛提供了文章思路；劉景豐參與修改及審校。