捍卫战士tg100慢性乙型肝炎 (CHB)抗病毒治疗可以有效抑制病毒复制，然而，治愈乙型肝炎仍需要很长的时间。大多数CHB患者需要监测肝炎活动性和疾病进展、保持良好的抗病毒治疗依从性并接受肝癌监测。将人工智能 (AI) 融入医疗保健领域已成为彻底改变 CHB 精准管理的有前景的工具。从早期检测到先进的诊断工具，再到个性化的治疗计划和持续的患者监测，人工智能这种变革潜力不仅增强了临床决策，还满足了患者不断变化的需求，为更有效以患者为中心的慢性乙型肝炎管理铺平了道路。

　　AI 预测模型的准确性通常优于传统模型。近期，台湾大学医学院教授发表在Clin Liver Dis的一篇文章，介绍了目前已经发表的几项以促进 CHB 诊断、疾病分层以及 HBsAg 清除或 HCC 发展的结果预测方面的AI 研究。

　　Obaido 等人使用从加州大学欧文分校机器学习存储库获得的患者人口统计和临床记录，并应用 Shapley Additive exPlanations 可解释机器学习方法来预测乙型肝炎的诊断。除其他模型外，AdaBoost 模型的准确度得分为 92% ，确定胆红素水平是导致死亡率较高的最重要特征，其次是腹水。

　　HBsAg 水平与HBsAg 血清清除或 HCC 发生等疾病结果相关。深度学习算法已被证明可以预测非活动携带者的 HBsAg 水平。Kamimura 等人对 72 名慢性乙型肝炎患者进行了一项回顾性研究，这些患者的 HBsAg 水平在 10 年间进行了评估。他们使用 SONY 神经网络控制台的算法来构建深度神经网络模型。另外 18 名患者被用于验证。多元回归分析显示平均绝对误差百分比为 58%，深度学习显示平均绝对误差百分比为 15%；因此，深度学习是一种准确的预测判别工具。

　　在一项前瞻性多中心研究中，Wang等人开发了深度学习弹性成像放射组学（DLRE）模型，这是一种定量分析二维剪切波弹性成像图像异质性的放射组学策略。他们纳入了 398 名患者的 1990 张图像，发现 DLRE 对肝硬化（F4）和晚期纤维化（≥ F3）预测的 AUC 为 0.97-0.98，明显优于 CHB 患者的肝脏硬度测量或血清生物标志物。值得注意的是，随着从每个人身上获取更多图像进行训练，DLRE 的诊断准确性会提高。

　　停止抗病毒治疗后肝炎复发很常见，并且已经探索了停止核苷（酸）类似物后早期病毒学复发的风险预测因素。在一项前瞻性、多中心治疗性疫苗试验（ABX-203、NCT02249988）中，43 名 HBeAg 阴性患者停止使用核苷（酸）类似物。使用监督机器学习方法来识别早期病毒学复发的预测标记，并在另一个由 49 名接受恩替卡韦治疗的患者组成的队列中验证。发现最好的预测因子是 IL-2、IL-17，最大 AUC 为 0.65。IL-2、干扰素 γ/趋化因子（CC 基序）配体 9 (CCL9) 诱导的单核因子、调节激活、正常 T 细胞表达和分泌/CCL5、干细胞因子和 TRAIL 的组合在预测病毒学应答（VR）方面是可靠的。机器学习能够帮助发现可溶性免疫标志物，精准识别出适合核苷酸类似物停药的患者。

　　另一项研究使用机器学习算法预测HBsAg血清清除率。Tian等人从华南肝炎监测和管理队列中获得了2235例慢性乙型肝炎患者的实验室和人口统计信息，其中106例患者HBsAg血清清除，纳入了包括放射学指标的30个变量。形成了XGBoost、随机森林，决策树和逻辑回归四个预测模型，其总判别能力的AUC分别为0.891、0.829、0.619和0.680。发现机器学习算法，尤其是XGBoost，在预测HBsAg血清清除率方面表现良好。HBsAg水平是HBsAg血清清除率最重要的预测因子，其次是年龄和HBVDNA。

　　关于使用富马酸替诺福韦二吡呋酯 (TDF) 和恩替卡韦 (ETV) 进行 HCC 二级预防存在一些争议。一项跨国研究纳入了 13,970 名 CHB 患者，建立了源自随机生存森林算法的 PLAN-S 模型，以预测 HCC 风险。患者被分为 TDF优势和 TDF非优势群体。在 TDF 优势组中，HCC 风险显著低于 ETV 组。然而，在 TDF 非优势组中，TDF 和 ETV 之间没有显著差异。因此，对于 TDF 优势组和 TDF 非优势组，可推荐 TDF 和 ETV 治疗。

　　HCC 是 HBV 感染后严重结果，并且已经创建了多种风险预测因子供临床使用。Kim 等人进行了一项回顾性研究，以开发和验证慢性乙型肝炎患者 HCC 风险的人工智能辅助预测模型。他们纳入了 6051 名在韩国 4 家医院接受 ETV 或替诺福韦治疗的慢性乙型肝炎患者，并构建了梯度增强机器算法，推导了一个使用 10 个基线参数的模型，该模型显示出良好的预测性能（ c-index 0.79），并优于以前的模型。在8年的随访期内，最低危组HCC风险低于0.5%。

　　Lee等人纳入了一个960人的接受ETV或替诺福韦治疗的慢性乙型肝炎患者训练队列，并开发了一种新的机器学习模型用于预测5年HCC风险。在1937例韩国患者的大型外部验证队列中，新机器学习模型的判别性能仍然是优秀的，AUC为0.872，显著优于其他几种模型。

　　尽管人工智能应用潜力巨大，但人工智能研究仍面临挑战，例如数据准备、收集、标签、偏见和隐私。此外，算法的选择、评估、验证以及人工智能模型的实际实施，尤其是在资源有限的地区，面临着相当大的障碍。人们担心人工智能模型缺乏透明度和可解释性，而过度拟合是一个常见问题，由于捕获训练数据中的噪声或不相关模式，模型无法很好地泛化到新数据。两者都是人工智能模型开发和部署中的重要考虑因素。

　　人工智能通过分析包括患者人口统计、遗传信息、治疗历史和实验室结果在内的大量数据集，在解决未满足的需求方面拥有巨大前景。通过整合这些数据，人工智能具有巨大的潜力来预测个体对特定抗乙肝治疗的反应，从而实现更加个性化和精准的治疗，以提高疗效并最大限度地减少不良反应。人工智能还可以通过持续分析患者数据（包括肝功能、病毒载量和成像结果），在早期检测和风险分层中发挥至关重要的作用。人工智能有潜力提高患者的参与度和抗病毒治疗的依从性。人工智能驱动的应用程序，包括移动健康平台，可以提供个性化提醒、教育资源和支持机制，以鼓励患者遵守管理计划，这种整体方法可能有助于改善慢性乙型肝炎患者的治疗结果并提高其整体生活质量。总之，管理 CHB 方面中未满足的需求为人工智能提供了机会。通过利用先进的数据分析和机器学习，人工智能有可能通过促进个性化治疗策略、早期风险识别和患者参与来彻底改变 CHB 管理。